Softwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
|
|
- Hede Friedrich
- vor 6 Jahren
- Abrufe
Transkript
1 Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
2 Statistik bei kontrollierten Experimenten: Statistik bei kontrollierten Experimenten Statistik bei kontrollierten Experimenten Hypothesen und Stichproben Verteilungen Experimente mit einem Sample Experimente mit zwei Samples Verteilungsfreier U-Test Statistik bei kontrollierten Experimenten: Hypothese und statistischer Test Definition Statistische Hypothese: Aussage über eine statistische Population, die man auf Basis beobachteter Daten zu bestätigen oder zu falsifizieren versucht. Hypothese: Die durchschnittliche Länge von Methoden in Java ist größer als 50 [loc]
3 Statistik bei kontrollierten Experimenten: Vorgehen 1 Nimm an, dass die zu testende Hypothese wahr ist. 2 Untersuche die Konsequenzen dieser Annahme in Bezug auf die Sampling-Verteilung, die von der Wahrheit der Hypothese abhängt. 3 Falls die beobachteten Daten eine große Eintrittswahrscheinlichkeit haben, ist die Hypothese bestätigt. 4 Falls die beobachteten Daten eine sehr kleine Eintrittswahrscheinlichkeit haben, gilt die Hypothese als widerlegt. Signifikanzniveau α legt die Wahrscheinlichkeit fest, ab der die Hypothese als widerlegt betrachtet wird. Konvention: α = 0, 05 oder α = 0, 01 Statistik bei kontrollierten Experimenten: Nullhypothese und alternative Hypothese Definition Nullhypothese H 0 : die zu testende Hypothese. Alternative Hypothese H 1 : die Gegenthese zu H 0. Meist: H 1 ist das, woran der Experimenator wirklich glaubt. H 0 = Die durchschnittliche Länge von Java-Methoden ist 50 [loc]. H 1 = Die durchschnittliche Länge von Java-Methoden ist >50 [loc]. Experiment soll H 0 widerlegen.
4 Statistik bei kontrollierten Experimenten: Hypothesen und Stichproben Hypothesen und Stichproben Sample = Population absolute Wahrheit Sample Population? Problem: Jede Hypothesenüberprüfung liefert statistischen Kennwert (z.b. Durchschnitt) für ein bestimmtes Sample. Wiederholung mit anderen Subjects/Objects liefert wahrscheinlich nicht exakt denselben Kennwert. Kennwert ist Zufallsvariable 1 Feststellung, ob Kennwert extrem oder typisch ist, ist ohne Kenntnis der Verteilung der Zufallsvariablen unmöglich. 1 Funktion, die den Ergebnissen eines Zufallsexperiments Werte (so genannte Realisationen) zuordnet. Statistik bei kontrollierten Experimenten: Verteilungen Verteilungen Definition Verteilung einer Variablen: beschreibt, welche Werte die Variable annehmen kann und wie oft sie das tut. Gleichverteilung Normalverteilung
5 Statistik bei kontrollierten Experimenten: Verteilungen Häufige Kennwerte einer Verteilungen Gegeben: n Datenpunkte x 1, x 2,... x n einer Variablen X. Durchschnitt oder arithmetisches Mittel x = 1 n n i=1 x i Varianz s 2 x = 1 n 1 n i=1 (x i x) 2 Standardabweichung s x = s 2 x Statistik bei kontrollierten Experimenten: Verteilungen Varianz und Freiheitsgrad Varianz s 2 x = 1 n 1 n i=1 (x i x) 2 Warum Durchschnitt mit 1 n 1? n i=1 (x i x) = 0 (x n x) kann berechnet werden, wenn x 1, x 2,..., x n 1 bekannt sind nur n 1 Summanden in n i=1 (x i x) 2 können frei variieren n 1 ist der Freiheitsgrad
6 Statistik bei kontrollierten Experimenten: Experimente mit einem Sample Verteilung von Population und Sample H 0 : µ = 50 Gegeben: Populations-Verteilung: Kennwerteverteilung der Population P mit Durchschnitt µ und Standardabweichung σ Sample-Verteilung: Kennwerteverteilung der Stichproben X mit Durchschnitt x und Standardabweichung σ x Annahmen: σ ist bekannt P hat Normalverteilung Daraus folgt: X ist normalverteilt mit x = µ und σ x = σ n. Statistik bei kontrollierten Experimenten: Experimente mit einem Sample Verteilung von Population und Sample Warum gilt: x = µ? Sample-Größe ist n. Jeder beobachtete Wert x i (1 i n) ist eine Messung von einem zufällig ausgewählten Element aus P. Jede Einzelmessung ist eine Zufallsvariable X i, deren Verteilung der von P entspricht. x = 1 n (X 1 + X X n ) Wenn µ der Durchschnitt von P ist, dann ist µ der Durchschnitt der Verteilung jeder Beobachung X i. µ x = 1 n (µ X 1 + µ X µ Xn ) = 1 n (µ + µ +... µ) = µ
7 Statistik bei kontrollierten Experimenten: Experimente mit einem Sample Verteilung von Population und Sample Warum gilt: σ x = σ n? Regeln für Varianzen (a, b sind Konstante, X, Y Zufallsvariablen): Damit: σ 2 a+bx = b2 σ 2 X σ 2 X +Y = σ2 X + σ2 Y σ 2 x = σ 2 1 n (X 1+X X n ) = ( 1 n )2 (σ 2 X 1 + σ 2 X σ 2 X n ) Weil jede Einzelbeobachtung X i aus P stammt, gilt σx 2 i damit: = σ 2 und σ 2 x = ( 1 n )2 (σ 2 + σ σ 2 ) = σ2 n und σ x = σ 2 x = σ n Statistik bei kontrollierten Experimenten: Experimente mit einem Sample Verteilung von Population und Sample H 0 : µ = 50 Gegeben: Populations-Verteilung: Kennwerteverteilung der Population P mit Durchschnitt µ und Standardabweichung σ Sample-Verteilung: Kennwerteverteilung der Stichproben X mit Durchschnitt x und Standardabweichung σ x Annahmen: σ ist bekannt P hat Normalverteilung Daraus folgt: X ist normalverteilt mit x = µ und σ x = σ n.
8 Statistik bei kontrollierten Experimenten: Experimente mit einem Sample Beispiel H 0 : µ = 50. Sei tatsächlich beobachteter Wert (Messung) für x = 54 mit σ = 10 und Sample-Größe n = 25. Passt das noch zu H 0 mit Signifikanzniveau α = 0, 01? x ist normalverteilt mit µ = 50 und σ 2 x = = 2: N(50, 2) Die Standardnormalverteilung N(0, 1) ist tabelliert. Mit z-transformation kann jede Normalverteilung auf N(0, 1) zurückgeführt werden: z x = x µ σ x Statistik bei kontrollierten Experimenten: Experimente mit einem Sample Beispiel Wahrscheinlichkeit, einen Wert z x = 2 1, 41 oder größer in N(0, 1) zu finden = Flächeninhalt zwischen 1,41 und in N(0, 1) Laut Tabelle für N(0, 1): 1 0, 9207 = 0, 0793 > 0, 01 = α. H 0 wird abgelehnt
9 Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Beispieluntersuchung Hypothese: Pair-Programming führt zu niedriger durchschnittlicher Fehlerdichte, wobei durchschnittliche Fehlerdichte = #Fehler LOC Design: Object: Anforderungsspezifikation Subjects: 31 professionelle Entwickler Blocking: Treatment X: eine Gruppe (10 2) wendet Pair-Programming an Treatment Y: eine Gruppe (11 1) wendet Pair-Programming nicht an ein Faktor, zwei Treatments Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Experiment mit zwei Samples: t-test Gegeben: Zwei unabhängige Samples: X = x 1, x 2,... x n mit Durchschnitt x und Varianz s 2 x Y = y 1, y 2,... y m mit Durchschnitt ȳ und Varianz s 2 y H 0 : Mittelwerte von X und Y sind gleich: µ x µ y = 0. Annahmen: Population zu X ist normalverteilt mit Durchschnitt µ x und Varianz σ 2 x, Population zu Y ist normalverteilt mit Durchschnitt µ y und Varianz σ 2 y und σ 2 x = σ 2 y. Aber: Varianz σ 2 x von X und Y ist unbekannt.
10 Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Experiment mit zwei Samples: t-test Additionsregel für Mittelwerte und Mittelwert von jedem Messwert x ist der Mittelwert seiner Population µ Mittelwert von x ȳ ist gleich dem Mittelwert von µ x µ y Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Experiment mit zwei Samples: t-test Additionsregel für Varianzen und Mittelwert von jedem Messwert x ist der Mittelwert seiner Population µ Varianz von x ȳ ist: σx 2 n + σ2 y m
11 Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Experiment mit zwei Samples: t-test Satz: Die Differenz zweier unabhängiger normalverteilter Zufallsvariablen ist normalverteilt. Wenn beide Populationen normalverteilt sind, dann ist die Verteilung von x ȳ auch normalverteilt. z-transformation einer Zufallsvariable hat Standardnormalverteilung N(0, 1): z = ( x ȳ) (µ x µ y ) σx 2 n + σ2 y m Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Experiment mit zwei Samples: t-test Annahme war: beide Populationen haben gleiche Varianz σ 2 ɛ = σ 2 x = σ 2 y Varianz von σ 2 ɛ kann geschätzt werden durch zusammengelegte Varianzen s 2 p als gewichteter Durchschnitt: s 2 p = (n 1)s2 x + (m 1)s 2 y (n 1) + (m 1) Damit ist z-transformation für die Schätzung: t = ( x ȳ) (µ x µ y ) s 2 p n + s2 p m t folgt Students t-verteilung mit (n 1) + (m 1) = n + m 2 Freiheitsgraden (df)
12 Softwaretechnik Statistik bei kontrollierten Experimenten Experimente mit zwei Samples Experiment mit zwei Samples: t-test Experiment mit zwei Samples: t-test Annahme war: beide Populationen haben gleiche Varianz σɛ 2 = σx 2 = σy 2 Varianz von σɛ 2 kann geschätzt werden durch zusammengelegte Varianzen s 2 p als gewichteter Durchschnitt: s 2 p = (n 1)s2 x + (m 1)s 2 y (n 1) + (m 1) Damit ist z-transformation für die Schätzung: t = ( x ȳ) (µx µy ) s 2 p n + s2 p m t folgt Students t-verteilung mit (n 1) + (m 1) = n + m 2 Freiheitsgraden (df) Die Annahme ist, dass die Samples beide eine gemeinsame homogene Varianz haben. Dann kann diese geschätzt werden, indem die Informationen beider Samples gebündelt werden. Die Schätzung ist dann der gewichtete Durchschnitt der einzelnen Varianzen beider Sample-Varianzen. Die Gewichte hierfür sind die jeweiligen Freiheitsgrade n 1 und m 1. S p ist dann die gebündelte Varianz. Der Freiheitsgrad von S p ist (n 1) + (m 1) = n + m 2. Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Students t-verteilung (df = Freiheitsgrad)
13 Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Zusammenfassung des Vorgehens beim t-test Eingabe: Zwei unabhängige Samples x 1, x 2,... x n und y 1, y 2... y m Annahme: Populationen zu X und Y sind normalverteilt und haben gleiche Varianz H 0 : Mittelwerte von X und Y sind gleich: µ x µ y = 0 Transformation von H 0 : t 0 = wobei s p = (n 1)s 2 x +(m 1)s 2 y (n 1)+(m 1) x ȳ s p 1 n + 1 m und s 2 x und s 2 y sind die individuellen Sample-Varianzen t 0 folgt bei Gültigkeit von H 0 einer t-verteilung mit n + m 2 Freiheitsgraden Kriterium (zweiseitig, mit Signifikanzniveau α): H 0 ablehnen, wenn t 0 > t α/2,n+m 2 Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Beispielmessungen Treatment X = Pair-Programming, Treatment Y = kein Pair-Programming i Treatment X: x i Treatment Y: y i 1 3,24 3,44 2 2,71 4,97 3 2,84 4,76 4 1,85 4,96 5 3,22 4,10 6 3,48 3,05 7 2,68 4,09 8 4,30 3,69 9 2,49 4, ,54 4, ,49 n=10 m=11 x = 2, 835 ȳ = 4, 1055 Sx 2 = 0, 6312 Sy 2 = 0, 4112
14 Statistik bei kontrollierten Experimenten: Experimente mit zwei Samples Beispielauswertung mit t-test s p = = (n 1)s 2 x +(m 1)sy 2 (n 1)+(m 1) (10 1) 0,6312+(11 1) 0,4112 (10 1)+(11 1) = 0, 564 t 0 = = x ȳ 1 s p n + 1 m 2,835 4,1055 0, = 5, 642 Freiheitsgrade: df = = 19 t α/2,n+m 2 = t 0,05/2, = 2, 093 t 0 = 5, 642 > t 0,05/2, = 2, 093 H 0 ablehnen Softwaretechnik Statistik bei kontrollierten Experimenten Experimente mit zwei Samples Beispielauswertung mit t-test Beispielauswertung mit t-test sp = = (n 1)s 2 x +(m 1)sy 2 (n 1)+(m 1) (10 1) 0,6312+(11 1) 0,4112 (10 1)+(11 1) = 0, 564 t0 = = x ȳ 1 sp n + 1 m 2,835 4, , Freiheitsgrade: df = = 19 t α/2,n+m 2 = t 0,05/2, = 2, 093 = 5, 642 t0 = 5, 642 > t 0,05/2, = 2, 093 H0 ablehnen Siehe z.b. für eine Tabelle der Students t-verteilung.
15 Statistik bei kontrollierten Experimenten: Verteilungsfreier U-Test Exakter U-Test von Mann-Whitney Gegeben: zwei unabhängige Samples x 1, x 2,... x n und y 1, y 2,... y m mit Ordinalskalenniveau. Annahme: Beide Samples stammen von Populationen mit der gleichen Verteilung. Keine Annahme über diese Verteilung. 1 Daten beider Samples werden vereinigt und geordnet. 2 Jeder Wert x i wird mit jedem Wert y j verglichen: G i = Anzahl der y j < x i L i = Anzahl der y j > x i 3 Summiere: G = 1 i n G i L = 1 i n L i U = min(l, G) Statistik bei kontrollierten Experimenten: Verteilungsfreier U-Test Gruppe x i bzw. y i G i L i X X X X X X Y 3.05 X X Y 3.44 X Y 3.49 Y 3.69 Y 4.09 Y 4.10 Y 4.21 X Y 4.40 Y 4.76 Y 4.96 Y
16 Statistik bei kontrollierten Experimenten: Verteilungsfreier U-Test Exakter U-Test von Mann-Whitney Signifikanztest: Erwartungswert für U bei H o : µ U = (n + m)/2. Je weiter beobachtetes U vom Erwartungswert abweicht, desto unwahrscheinlicher ist H 0 Wahrscheinlichkeit des beobachteten U oder eines kleineren Werts ist die Anzahl z U aus den möglichen ( ) ( n+m m = n+m ) n Kombinationen, die einen U-Wert liefern, der nicht größer als U ist: P = (Z U + Z U 1 )/ ( ) n+m m Lehne H 0 ab, wenn P kleiner als Signifikanzniveau ist. Kritischer Wert (der zur Ablehnung von H 0 führt) kann in Tabelle des U-Tests für kleine Samples nachgeschlagen werden. Im Beispiel: kritischer Wert = 26 für α = 0, 05 H 0 wird abgelehnt wegen U > Softwaretechnik Statistik bei kontrollierten Experimenten Verteilungsfreier U-Test Exakter U-Test von Mann-Whitney Exakter U-Test von Mann-Whitney Signifikanztest: Erwartungswert für U bei Ho: µu = (n + m)/2. Je weiter beobachtetes U vom Erwartungswert abweicht, desto unwahrscheinlicher ist H0 Wahrscheinlichkeit des beobachteten U oder eines kleineren Werts ist die Anzahl zu aus den möglichen ( ) ( n+m m = n+m ) n Kombinationen, die einen U-Wert liefern, der nicht größer als U ist: P = (ZU + ZU 1)/ ( ) n+m m Lehne H0 ab, wenn P kleiner als Signifikanzniveau ist. Kritischer Wert (der zur Ablehnung von H0 führt) kann in Tabelle des U-Tests für kleine Samples nachgeschlagen werden. Im Beispiel: kritischer Wert = 26 für α = 0, 05 H0 wird abgelehnt wegen U > 26 Tabellen für den kritischen Wert bei gegebenem Signifikanzniveau für den U-Test lassen sich im Web finden, indem man nach den Stichwörtern table u test sucht. Z.B.: math.usask.ca/~laverty/s245/tables/wmw.pdf
17 Statistik bei kontrollierten Experimenten: Verteilungsfreier U-Test 1 Wohlin u. a Wohlin, Claes ; Runeson, Per ; Magnus C. Ohlsson, Martin H. und ; Regnell, Björn ; Wesslén, Anders: Experimentation in Software Engineering An Introduction. Kluwer Academic Publishers, ISBN
Softwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2013/14 Überblick I Statistik bei kontrollierten Experimenten
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
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
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 )
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
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
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
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
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
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
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
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
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
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
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
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.
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!
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
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
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Das Testen von Hypothesen Während die deskriptive Statistik die Stichproben nur mit Hilfe quantitativer Angaben charakterisiert,
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrStatistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
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
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Bivariate Datenanalyse, Überblick bis Freitag heute heute Donnerstag Donnerstag Freitag
MehrBiostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
MehrLiteratur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill.
Statistik Literatur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill. Maxwell, S.E. & Delaney, H.D. (2000). Designing Experiments and Analyzing Data. Mahwah, NJ: Erlbaum. Das Grundproblem
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrStatistik-Übungsaufgaben
Statistik-Übungsaufgaben 1) Bei der Produktion eine Massenartikels sind erfahrungsgemäß 20 % aller gefertigten Erzeugnisse unbrauchbar. Es wird eine Stichprobe vom Umfang n =1000 entnommen. Wie groß ist
MehrHypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Mittelwertvergleiche Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrTest auf Varianzgleichheit (F-Test) (einseitiger Test!!)
T-Tests in Excel T-Tests in Excel Test auf Varianzgleichheit (F-Test) (einseitiger Test!!)! Annahmen:! Unabhängige Stichproben! Normalverteilte Grundgesamtheiten H0 : σx = σ y; H0 : σx > σ y Sx σ x F =
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
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.)
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
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,
MehrProf. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrTest auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)
Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übungen für die kompetenzbasierte Abschlussprüfung 1. 60 Äpfel wurden gewogen und die Ergebnisse in einem Boxplot-Diagramm dargestellt. Ergänzen Sie die folgenden
MehrComputergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08
Computergestützte Methoden Master of Science Prof. Dr. G. H. Franke WS 07/08 1 Seminarübersicht 1. Einführung 2. Recherchen mit Datenbanken 3. Erstellung eines Datenfeldes 4. Skalenniveau und Skalierung
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
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrTag 7: Statistik. Themen: A) Standardfehler des Mittelwerts B) Median und Quantile C) Signifikanztest D) Hausaufgabe
Tag 7: Statistik Themen: A) Standardfehler des Mittelwerts B) Median und Quantile C) Signifikanztest D) Hausaufgabe A) Standardfehler des Mittelwerts Die Berechnung von Mittelwert und Standardabweichung
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrKeine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrKlausur Statistik I. Dr. Andreas Voß Wintersemester 2005/06
Klausur Statistik I Dr. Andreas Voß Wintersemester 2005/06 Hiermit versichere ich, dass ich an der Universität Freiburg mit dem Hauptfach Psychologie eingeschrieben bin. Name: Mat.Nr.: Unterschrift: Bearbeitungshinweise:
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrGrenzen für x -s-regelkarten
Normalverteilte Fertigung: Stichproben aus der Fertigung: σ σ Eine normalverteilte Fertigung hat den Mittelwert µ und die Standardabweichung σ. Stichproben aus der Fertigung haben zufällig abweichende
MehrVorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:
Mehr11 Tests zur Überprüfung von Mittelwertsunterschieden
11 Tests zur Überprüfung von Mittelwertsunterschieden 11.1 Der z Test (t Test) für verbundene Stichproben 11.2 Der z Test (t Test) für unabhängige Stichproben 11.3 Fehler 1. Art und 2. Art 11.4 Typische
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrÜbungsbuch Statistik für Dummies
beborah Rumseif Übungsbuch Statistik für Dummies WILEY- VCH WILEY-VCH Verlag GmbH & Co. KGaA Inhaltsverzeichnis Über die Autorin 8 Über den Übersetzer 8 Einführung 15 Über dieses Buch 15 Törichte Annahmen
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
MehrStatistische Grundlagen I
Statistische Grundlagen I Arten der Statistik Zusammenfassung und Darstellung von Daten Beschäftigt sich mit der Untersuchung u. Beschreibung von Gesamtheiten oder Teilmengen von Gesamtheiten durch z.b.
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
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............
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
MehrProf. Dr. Günter Hellmig. Aufgabenskript Induktive Statistik
rof. Dr. Günter Hellmig Aufgabenskript Induktive Statistik Inhalt:.Kombinatorik: Variation und Kombination, jeweils ohne Wiederholung 2.Rechnen mit Wahrscheinlichkeiten: Additions- und Multiplikationssätze
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
Mehr7.3 Chi-Quadrat-Streuungstest und F-Test
7.3 Chi-Quadrat-Streuungstest und F-Test Alle bisher besprochenen Statistischen Tests sind sog. Tests über die Mittelwerte; denn ihre Nullhypothesen handeln vom Vergleich entweder zweier Mittelwerte oder
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
Mehr6. Übung Statistische Tests Teil 1 (t-tests)
Querschnittsbereich 1: Epidemiologie, Medizinische iometrie und Medizinische Informatik - Übungsmaterial - Erstellt von Mitarbeitern des IMISE und des ZKS Leipzig 6. Übung Statistische Tests Teil 1 (t-tests)
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
Mehr