PWP 1 Signalentdeckungstheorie
|
|
- Julius Ritter
- vor 6 Jahren
- Abrufe
Transkript
1 PWP 1 Signalentdeckungstheorie Signal Detection Theory WiSe 2006
2 Motivation Terminologie Beispiel Goldstein Einfaches Modell in der Psychologie Mensch als Detektor/Entscheidungsträger Empfindlichkeit/Entdeckbarkeit des Reizes Antworttendenz Psychophysisches Modell Beschreibung nicht beobachtbarer Prozesse Verhaltensvorhersage
3 Motivation Terminologie Beispiel Goldstein Einfaches Modell Anwendungsbeispiele Psychophysik: 1000 Hz-Ton aus weißem Rauschen Diagnostik: bestimmter Befund vorhanden? Seismologie: Steht Erdbeben bevor? Zeugenaussagen: Person vor Ort?
4 Motivation Terminologie Beispiel Goldstein Einfaches Modell Bsp. Detektion von Tönen im Rauschen 2 VPn sollen reagieren, wenn Töne anwesend sind Je 100 Durchgänge Rauschen, 100 Durchgänge Signale VP1 detektiert 90, VP2 60 Signale Hört VP1 besser? VP1 sagt in 40 Fällen, in denen kein Ton da war (Rauschdurchgänge, Catch-Trials) Ja es war ein Ton da VP2 irrt sich nur bei 10 Rauschdurchgängen Wer ist jetzt besser?
5 Motivation Terminologie Beispiel Goldstein Einfaches Modell Terminologie Rauschdurchgänge (noise trials): Nur Zufallsrauschen Versuchsdurchgänge (trials) ohne Signal Signaldurchgänge (signal trials) Versuchsdurchgänge mit Signal und Rauschen Antwort ja auf Signaldurchgang = Treffer (hit) trial type Antwort Nein Ja Rauschen korrekte Ablehnung falscher Alarm Signal Auslassung (miss) Treffer (hit)
6 Motivation Terminologie Beispiel Goldstein Einfaches Modell Zusammenfassung der VPn im Bsp. von Goldstein Je 100 Trials nur Rauschen 100 Trials mit Signal VP 1 tendiert zum Ja -Sagen VP 1 VP 2 Nein Ja Nein N S Ja N S 40 60
7 Motivation Terminologie Beispiel Goldstein Einfaches Modell Änderung der Antworttendenz Gleicher Versuch mit VP2 aber Geld für richtige Antworten (und Abzug für falsche) liberalere Antworten Belohnung von korrekter Zurückweisung konservative Antworten (wenig Ja ) Neutrale Antworten, wenn alles gleich belohnt. Payoff-Matrix VP2-Antwort Gewinn Nein Ja Nein Ja N +20e -20e S -200e +200e e N +200e -20e 99 1 S -20e +20e e N +20e -20e S -20e +20e e
8 Motivation Terminologie Beispiel Goldstein Einfaches Modell Falscher Alarm vs. Treffer 1 VP2 neut VP1 lib VP1 neut P H VP2 kons VP1 kons P F
9 Motivation Terminologie Beispiel Goldstein Einfaches Modell 2. Beispiel: 1000 Hz-Ton Je 100 Trials nur Rauschen 100 Trials mit Signal 1. Durchgang: Treffer wichtig (Belohnung für hit) 2. Durchgang: kein falscher Alarm (Belohnung für correct rejection) 1. Durchgang 2. Durchgang Nein Ja Nein Ja N N S S 45 55
10 Motivation Terminologie Beispiel Goldstein Einfaches Modell Relative Häufigkeiten Überführung in rel. Häufigkeiten Anz. Treffer Trefferrate (hit rate): h = Anz. Signaldurchgänge falscher Alarm Rate (false-alarm rate): f = Anz. false alarm Anz. Rauschdurchgänge Nein Ja N S Nein Ja und N S h f 1. Durchg Durchg Redundante Werte: Auslassungsrate, Fehlerrate (miss rate)= 1 h Rate der korr. Zurückweisungen (corr. rej. rate)= 1 f
11 Motivation Terminologie Beispiel Goldstein Einfaches Modell Modell der Entscheidung Noise Signal x Verteilung der Zufallsvariablen X bei Rauschdurchgängen (Xn ) und Signaldurchgängen (Xs )
12 Motivation Terminologie Beispiel Goldstein Einfaches Modell Setzen des Kriteriums Nein λ Ja Noise Signal Zufallsvar. x > λ Entscheidung Ja false-alarm rate: P F = P(Ja noise) = P(X > λ noise) = P(X n > λ) = R λ hit rate: P F = P(Ja signal) = P(X > λ signal) = P(X s > λ) = R λ f n(x)dx = 1 F n(λ) f s (x)dx = 1 F s (λ)
13 Motivation Terminologie Beispiel Goldstein Einfaches Modell Variation von λ λl λ λ k Noise Signal Veränderung von λ wirkt auf h und f gemeinsam λk : (konservativ) Vermeidung von false alarm, aber wenig Treffer λ l : Viele Treffer, aber auch viele false alarm Geringere Überlappung der Dichtefunktionen f n und f s höhere Trennschärfe
14 Motivation Terminologie Beispiel Goldstein Einfaches Modell Modell der statistischen Entscheidung Modell zur Bestimmung interpretierbarer Variablen 3 Voraussetzungen Gesamte Information in einer Zahl repräsentiert Diese Zahl ist Zufallsvariable Überschreiten einer festen Schwelle Entscheidung ja Analogie zur NHST (Nullhypothesensignifikanztest)
15 Das Gaußsche Modell Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter X n N (µ n, σ n ) und X s N (µ s, σ s ) Skalierung: µ n = 0, σ n = 1 X n N (0, 1) und X s N (µ s, σ s ) Rechtfertigung für Normalverteilungsannahme Gut untersuchte Eigenschaften Zentraler Grenzwertsatz Empirische Befunde Bei speziellen Fragestellungen andere Verteilung
16 Die Normalverteilung Einführung Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Dichte an der Stelle x :φ(x) = 1 σ e 1 x µ 2 ( σ ) 2 2π Akkumulierte Dichte: Φ(x) = x φ(t) dt mit µ Erwartungswert und σ Standardabweichung der Verteilung
17 Das univariate Gaußsche Modell Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Problem Ein Experiment 2 Meßwerte (f, h) aber 3 unbekannte Variablen (λ, µ s, σ s ) Setze σ s = σ n = 1, µ s wird zu d X n N (0, 1) und X s N (d, 1) Vorsicht: Echte Einschränkung, sollte überprüft werden.
18 Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Beispiel zur Berechnung von d und λ Nein Ja 2. Beispiel oben, 1. Durchg. N f = 0.46 S h = P F = 0.46 = 1 F n (λ) = 1 Φ(λ) Φ(λ) = = 0.54 λ = Z(1 0.46) = Z(0.54) = X s N (d, 1) λ d = Z(1 0.82) = Z(0.18) = Kombination: d = λ (λ d ) = = 1.02
19 Schätzer für d und λ Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter 1. Z(1 f ) = ˆλ symm. ˆλ = Z(f ) 2. Z(1 h) = ˆλ ˆd Z(h) = ˆd ˆλ 3. ˆd = Z(h) Z(f )! Vorsicht! Vorzeichen überprüfen!
20 Fortsetzung 2. Beispiel Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Beispiel oben, rel. H. 1. Durchgang: ˆd = 1.02; ˆλ = 0.10 h f 1. Durchg Durchg Durchgang: ˆd = 1.00; ˆλ = 0.88 ˆλ = Z(f ) = Z(0.19) = 0.88 ˆd = Z(h) Z(f ) = Z(0.55) Z(0.19) = 0.12 ( 0.88) = 1.00 ˆd ˆλ 1. Durchg Durchg
21 Erhöhung der Entdeckbarkeit Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Weniger Überlappung der Verteilungen durch Erhöhung von d Verringerung der Varianz σ 2
22 Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Messung des Bias (Tendenz/Neigung) Ja-Sage-Tendenz von Kriterium λ und d abhängig. zentriertes Kriterium: λ center = λ 1 2 d = 1 2 [Z(f ) + Z(h)] Wahrscheinlichkeitsverhältnis (likelihood ratio): β = fs(λ) f = φ(λ d ) n(λ) φ(λ)
23 Verlauf β Einführung Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Asymmetrisch von am Schnittpunkt [ ] von f s und f n log(β) = log fs(λ) f n(λ) = log(f s (λ)) log(f n (λ))
24 Der ideale Beobachter Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Maximierung der Wahrscheinlichkeit richtiger Antwort s Wahrscheinlichkeit für Signaltrial 1 s = Wahrscheinlichk. für Noisetrial P C = P(signal) P(Ja signal) + P(noise) P(Nein noise) = s[1 F s (λ)] + (1 s)f n (λ) Pc λ * Kriterium λ
25 Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Optimales Kriterium Optimales Krit. λ für β = fs(λ ) f n(λ ) = 1 s s s = 1 2 f s(λ ) = f n (λ ) Schnittpunkt der Kurven. : Wettchance (odds) Mehr Signaltrials: s > s s < 1 f s (λ ) < f n (λ ) Das Kriterium verschiebt sich nach links (wird liberaler)
26 Pay-off Matrix Einführung Allgemeines Modell Univariates Modell Berechnung Kriterium und d Bias und Likelihood Idealer Beobachter Kosten und Nutzen der Verschiedenen Möglichkeiten ungleich Optimierung des Erwartungswertes des Gesamtwerts E(V ) = P(Signal + Ja)V (hit) + P(Signal + Nein)V (miss) +P(Noise + Ja)V (false alarm) +P(Noise + Nein)V (cor. rej.) V (miss) und V (f. a.) meist negativ
27 Graphische Darstellung Isosensitivitätskurven Univar. Gaußsches Modell Graph zu 2. Bespiel 2. Bsp.: h f ˆd ˆλ 1. Durchg Durchg λ 1 λ 2 d'
28 Graphische Darstellung Isosensitivitätskurven Univar. Gaußsches Modell Umsetzung in -Graph Trefferrate gegen Falschen Alarm auftragen Punkte auf einer Linie, weil d gleich groß 1 S1 P H S P F
29 Graphische Darstellung Isosensitivitätskurven Univar. Gaußsches Modell Eine Isosensitivitätskurve!! " # $ % & ' ( ) +, -. / : ; < = A B C D E C F G H I J K L I G K G M N G I H I O P Q R S T U V W X Y Z [ \ ] ^ _ ` a b c
30 Graphische Darstellung Isosensitivitätskurven Univar. Gaußsches Modell Isosensitivitätslinien bei versch. d! " # $ % & ' ( ) ( * +, -. / : ; < ; = ; : A B C D E F G F H I J K L M F N O P Q
31 Graphische Darstellung Isosensitivitätskurven Univar. Gaußsches Modell Isokriteriumslinien (λ fest) P H P F
32 Graphische Darstellung Isosensitivitätskurven Univar. Gaußsches Modell im univ. Gaußschen Modell Es gilt P F = λ f n(x)dx und P H = λ f s(x)dx im univariaten Fall also P F = 1 Φ(λ) = Φ( λ) und P H = 1 Φ(λ d ) = Φ(d λ) Durch einsetzen gewinnt man die Kurve: P H = Φ(d + Φ 1 (P F )) Nur durch Tabellen oder Computerprogramme errechenbar
33 Weiterführende Themen Literatur Weitere Themen -Gerade mit Gaußschen Koordinaten Ungleiche Varianzen σ 2 n und σ 2 s Verschiedene Alternativen zu d Anwendung auf Vertrauensskalen forced-choice Paradigma Diskrimination, bzw. Identifikation Likelihoods und Bayesscher Beobachter
34 Weiterführende Themen Literatur Literatur Goldstein, E. B. (1997) Wahrnehmungspsychologie. Spektrum Akademischer Verlag, Heidelberg, erste Auflage. Macmillan, N. A. (2002) Signal detection theory. In: Pashler, H. (Hrsg.), Stevens Handbook of Experimental Psychology, Band 1, Kapitel 2, Seiten Wiley, New York, dritte Auflage. Wickens, T. D. (2002) Elementary Signal Detection Theory. Oxford University Press, New York, New York.
Anwendungsbeispiele. PWP 1 Signalentdeckungstheorie. Bsp. Detektion von Tönen im Rauschen. SDT in der Psychologie
Anwendungsbeispiele PWP 1 Signalentdeckungstheorie Signal Detection Theory Psychophysik: 1000 Hz-Ton aus weißem Rauschen Diagnostik: bestimmter Befund vorhanden? Seismologie: Steht Erdbeben bevor? Zeugenaussagen:
MehrSDT in der Psychologie. PWP 1 Signalentdeckungstheorie. Bsp. Detektion von Tönen im Rauschen. Anwendungsbeispiele
in der Psychologie PWP 1 Signalentdeckungstheorie Signal Detection Theory WiSe 2007 Mensch als Detektor/Entscheidungsträger Empfindlichkeit/Entdeckbarkeit des Reizes Antworttendenz Psychophysisches Modell
Mehr* Neigung, Bereitschaft * Erwartung, Überzeugung. gesucht:
Wahrnehmung/Signalentdeckung: Reaktionsneigung Annahme: Wahrnehmung als Diskriminationsfähigkeit Wahrnehmung als Urteilsfähigkeit der Sinne über die Sinne hinausgehende, kognitive Fähigkeit Entdecken +
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrGustav Fechner ( )
Psychophysik Gustav Fechner (1801 1887) religiöser Hintergrund Fechner wollte den Nachweis erbringen, dass Körper und Geist eine Einheit bilden Wollte mathematische Beziehung zwischen subjektiven Empfindungen
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrEinleitung. Klassische Methoden zur Messung von Empfindungsschwellen. Psychophysische Skalierung. Theorie der Signaldetektion
Marino Menozzi & Adrian Schwaninger Überblick Klassische Methoden zur Messung von Empfindungsschwellen Psychophysische Skalierung Anwendungsbeispiele der stheorie Medizinische Diagnostik (z.b. Röntgendiagnostik)
MehrKalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern Vorlesung Robotik SS 016 Kalmanfiter () Kalman-Filter: optimaler rekursiver Datenverarbeitungsalgorithmus optimal hängt vom gewählten
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
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
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
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
MehrWahrscheinlichkeitstheorie 2
Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
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 Wahrscheinlichkeitsfunktionen
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrNormalverteilung und Standardisierung
Normalverteilung und Standardisierung N(0,1) z 0 z N(µ,) }{{}}{{} µ µ z z z µ+z Die Normalverteilungen N(µ, ) ergeben sich aus der Standardnormalverteilung N(0, 1) (Gaussche Glockenkurve) durch strecken
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrSigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
MehrAufzählungen Modul 3 Wahrnehmung Die Signalentdeckungstheorie
Thema 13 Themenbereich: II Konzepte und Methoden der Wahrnehmungspsychologie Das Paradigma der Signalentdeckung Das psychophysische Modell der SDT Das Leistungsmaß d' und das Reaktionsneigungsmaß ( bias")
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
MehrThema der Stunde. I. Die Form der Stichprobenkennwerteverteilung. II. Schlüsse von der Stichprobe auf die Population
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung II. Schlüsse von der Stichprobe auf die Population III. t-test für unabhängige und abhängige Stichproben Stichprobenkennwerte Population
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
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
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
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/31 Kruschwitz/Husmann (2012) Finanzierung und Investition 2/31 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München
MehrTeil IX. Verteilungen an Daten anpassen ( Maximum-Likelihood-Schätzung. fitten ) Woche 7: Maximum-Likelihood-Schätzung. Lernziele
Woche 7: Maimum-Lielihood-Schätzung Patric Müller ETHZ Teil IX Verteilungen an Daten anpassen ( fitten ): Maimum-Lielihood-Schätzung WBL 17/19, 12.06.2017 Wahrscheinlicheit
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
MehrKonfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
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
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrApproximation der Binomialverteilung durch die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 4.0.007 Approimation der Binomialverteilung durch die Normalverteilung Histogramme von Binomialverteilungen sind für nicht zu kleine n glockenförmig. Mit größer
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
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
MehrBox-Plots. Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.rechnung. Beschreibende Statistik 174 / 258
174 / 258 Box-Plots Ziel: übersichtliche Darstellung der Daten. Boxplot zu dem Eingangsbeispiel mit n=5: Descr_Boxplot0.sas Prozeduren: UNIVARIATE, GPLOT, BOXPLOT 174 / 258 Box-Plots Ziel: übersichtliche
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
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrKapitel VI - Maximum-Likelihood-Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Maximum-Likelihood-Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrFormelsammlung: Statistik und Wahrscheinlichkeitstheorie
Formelsammlung: Statistik und Wahrscheinlichkeitstheorie Kapitel 1: Deskriptive und explorative Statistik Empirische Verteilungsfkt (S15): Quantile (S24): Bei Typ7 1.Pkt = 0 Danach 1/(n-1) Median (S24):
Mehrj K j d j m j h j f j
Für eine stetige Zufallsvariable X in einem Intervall [ a ; b ] kann X jeden beliebigen Wert annehmen. Die Wahrscheinlichkeiten werden in diesem Fall nicht mehr wie bei einer diskreten Zufallsvariable
Mehr4.1 Stichproben, Verteilungen und Schätzwerte. N(t) = N 0 e λt, (4.1)
Kapitel 4 Stichproben und Schätzungen 4.1 Stichproben, Verteilungen und Schätzwerte Eine physikalische Messung ist eine endliche Stichprobe aus einer Grundgesamtheit, die endlich oder unendlich sein kann.
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
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
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
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
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) Literatur Kapitel 7 n heisst für uns n gross * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrEinführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
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/
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
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
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
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........................
Mehr