Statistik II für Betriebswirte Vorlesung 2
|
|
- Arwed Böhmer
- vor 5 Jahren
- Abrufe
Transkript
1 Statistik II für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 26. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
2 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander paarweise zugeordnet sind, spricht man von verbundenen Stichproben. Diese entstehen z.b. dann, wenn man jeweils zwei Merkmale an einund demselben statistischen Objekt beobachtet. Beispiele: Messwerte für die Wirkungen jeweils zweier Medikamente für ein- und dieselben Patienten; Wert der Bestellungen einer Kundengruppe vor (1. Stichprobe) und nach (2. Stichprobe) einer Werbeaktion. Die mathematische Modellierung erfolgt über zwei endliche Folgen X 1, X 2,..., X n und Y 1, Y 2,..., Y n von jeweils n Zufallsgrößen. Dabei sind die Zufallsgrößen innerhalb einer Folge stochastisch unabhängig, aber für jedes i = 1,..., n können die Zufallsgrößen X i und Y i abhängig sein. Eine verbundene (mathematische) Stichprobe wird also durch unabhängige Zufallsvektoren (X 1, Y 1 ),..., (X n, Y n ) modelliert. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
3 Mittelwertvergleich verbundene normalverteilte Stichproben Geg.: zwei abh. Merkmale X N(µ X, σ 2 X ), Y N(µ Y, σ 2 Y ) ; entsprechend verbundene Stichprobe vom Umfang n, d.h. (X 1, Y 1 ),..., (X n, Y n ). Grundlage: Ist der Zufallsvektor (X, Y ) normalverteilt, dann ist die Differenz D = X Y normalverteilt mit dem Erwartungswert Ein Test zum Beispiel mit kann dann als Test µ D = ED = EX EY = µ X µ Y. H 0 : µ X = µ Y, H A : µ X µ Y, H 0 : µ D = 0, H A : µ D 0, für die normalverteilte Stichprobe D 1,..., D n (t Test). durchgeführt werden Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
4 Test für die Wahrscheinlichkeit p eines Ereignisses I Sei p die Wahrscheinlichkeit für das Eintreten eines Ereignisses A. { 1, falls ω A ; Die Zufallsgröße X mit X (ω) = 0, sonst, ist Bernoulli-verteilt mit Parameter p. Eine Stichprobe X 1,..., X n vom Umfang n besteht aus den Ergebnissen von n unabhängigen Wiederholungen dieses Versuches, d.h. tritt beim i-ten Versuch A ein, setzt man X i = 1, ansonsten X i = 0. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
5 Test für die Wahrscheinlichkeit p eines Ereignisses II Hypothesen: H 0 : p = p 0, H A : p p 0 (zweiseitiger Test). Testgröße: T = nx np 0 np0 (1 p 0 ) (die Verteilung von T konvergiert unter H 0 nx = n i=1 X i gegen N(0, 1) für n ). ist die absolute Häufigkeit des Eintretens von A bei den n Versuchswiederholungen; X ist die relative Häufigkeit. (Hinweis: Bezeichnung in Formelsammlung: X = n i=1 X i = nx.) Kritischer Bereich: K α = {t R : t > z 1 α/2 }. Dies ist ein asymptotischer Test, d.h. er funktioniert nur für große n (Faustregel: np 0 (1 p 0 ) 9). Analog können einseitige Tests durchgeführt werden. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
6 Beispiel: Ausschussprozentsatz Buchsen In der Gütekontrolle einer Automatendreherei wird ein Posten Buchsen ausgeliefert. Es soll zum Signifikanzniveau α = 0.01 festgestellt werden, ob der zulässige Ausschussprozentsatz von 5% nicht überschritten wird. Ein Kontrolleur entnimmt dem Posten eine Stichprobe vom Umfang n = 500 und untersucht an den einzelnen Teilen als wichtigstes Merkmal den Buchsenansatz. Bei 30 Buchsen liegt der Messwert für den Buchsenansatz nicht innerhalb der vorgeschriebenen Toleranzen, sie sind Ausschuss. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
7 Fortsetzung Beispiel: Ausschussprozentsatz Buchsen X i ist Bernoulli-verteilt mit Parameter p, n = 500, nx = 30, d.h. ˆp = x = H 0 : p 0.05, H A : p > 0.05 ; α = T = nx np 0 np0 (1 p 0 ) ; t = = K = {t R : t > z 1 α } = (z 0.99, ) = (2.326, ). t K H 0 wird nicht abgelehnt, die Abweichungen sind nicht signifikant. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
8 Vergleich von Wahrscheinlichkeiten, unabh. Stichproben I X 1i Bernoulli-verteilt mit Parameter p 1, i = 1,..., n 1 und unabhängig davon X 2i Bernoulli-verteilt mit Parameter p 2, i = 1,..., n 2. Hypothesen: H 0 : p 1 = p 2, H A : p 1 p 2 (zweiseitiger Test). X 1 X 2 Testgröße: T = ( ) mit X (1 X ) n1 n2 X 1 = 1 n 1 X 1i, X 2 = 1 n 2 X 2i, n 1 n 2 X = n 1 i=1 i=1 X 1i + n 2 X 2i i=1 i=1 = n 1X 1 + n 2 X 2. n 1 + n 2 n 1 + n 2 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
9 Vergleich von Wahrscheinlichkeiten, unabh. Stichproben II Kritischer Bereich: K = {t R : t > z 1 α/2 }. Test ist asymptotisch, d.h. er gilt nur für große n 1 und n 2 ; Faustregel: n 1 50, n 2 50, (n 1 + n 2 )x > 5, (n 1 + n 2 )(1 x) > 5. Analog können einseitige Tests durchgeführt werden. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
10 4.2 Verteilungsfreie, nichtparametrische oder parameterfreie Tests Parameterfreie Tests benötigen oft nur geringe Voraussetzungen. Parameterfreie Tests werden z.b. angewendet, wenn nicht ein Parameter eines bestimmten Verteilungstyps (wie z.b. der Erwartungswert einer Normalverteilung) überprüft werden soll, oder man gar nicht von einem bestimmten Verteilungstyp (z.b. Normalverteilung) der Zufallsgröße ausgehen kann, oder wenn der Stichprobenumfang n klein ist, oder wenn nur ordinale Daten vorliegen. Gibt es allerdings zum Verteilungstyp der Grundgesamtheit einen entsprechenden parametrischen Test, dann besitzt dieser häufig eine bessere Güte, d.h. er lehnt die Nullhypothese öfter ab, wenn sie falsch ist. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
11 Vorzeichentest (auch Zeichentest) Der Vorzeichentest (auch Zeichentest) kann für Einstichprobenoder Zweistichprobenprobleme verwendet werden. Im Einstichprobenfall dient er z.b. als Test für den Median der Verteilung. Im Zweistichprobenfall dient er unter anderem zum Lagevergleich verbundener Stichproben und kann den t Test für zwei verbundene Stichproben bei nichtnormalverteilten Grundgesamtheiten ersetzen. Grundlage: Für den Median X 0.5 einer stetigen Zufallsgröße gelten P(X < X 0.5 ) = 0.5 und P(X > X 0.5 ) = 0.5. Voraussetzung: Stichprobe X 1,..., X n mit stetiger Verteilungsfunktion F X für die Zufallsgrößen X i ; M sei ein hypothetischer Wert für den Median der Verteilung. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
12 Vorzeichentest für Median Hypothesen: H 0 : X 0.5 = M, H A : X 0.5 M (zweiseit. Test). { Y + 1, falls Xi > M, i := 0, falls X i < M. Test für kleine n : n Testgröße: T = i=1 Y + i H 0 Bin(n, 0.5). Kritischer Bereich: K = {0, 1,..., c} {n c,..., n}, c ( n so dass )2 n α2 c+1 i, ( ) n 2 n > α (Binomialtest). i 2 i=0 Test für große n (n 20) : Testgröße: T = 1 n (2 n i=1 Y + i i=0 n Kritischer Bereich: K = {t R : t > z1 α/2 }. ). Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
13 Beispiel Vorzeichentest für Median: Mietspiegel Es soll überprüft werden, ob der Median der Quadratmetermiete für Wohnungen unter 50 m 2, die nach 1983 gebaut wurden, größer ist als der aus einer anderen Stadt bekannte Wert von 8 e/m 2! Daten: (Quelle: Fahrmeier, Künstler, Pigeot, Tutz: Statistik. Der Weg zur Datenanalyse, 2007, S.444), n = 11 : Hypothesen: H 0 : X 0.5 = 8, H A : X 0.5 > 8 ; α = Wert der Testgröße T : t = 9. Kritischer ( Bereich: K = {9, 10, 11}, da (11 ) ( ) ( ) ) = , aber ( (11 ) ( ) ( ) ( ) ) = H 0 wird abgelehnt, der Median ist signifikant größer. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
14 Vorzeichentest für verbundene Stichprobe Voraussetzung: Verbundene Stichprobe (X 1, Y 1 ),..., (X n, Y n ), so dass die Differenzzufallsgrößen D i = X i Y i eine stetige Verteilungsfunktion F D besitzen. Man bildet Differenzen: D i = X i Y i, i = 1,..., n. Hypothesen: H 0 : D 0.5 = 0, H A : D (zweiseitiger Test). Man verwendet den Vorzeichentest von oben zur Stichprobe der Differenzen D 1,..., D n mit M = 0. Treten Stichprobenwerte auf, die mit M übereinstimmen, können diese (z.b.) weggelassen werden. Dann bleibt der Test konservativ, d.h. die Irrtumswahrscheinlichkeit 1. Art wird nicht vergrößert. Vorzeichentests können auch für nichtstetige Zufallsgrößen durchgeführt werden. Dann testet man z.b. die Hypothese H 0 : P(D > 0) = P(D < 0). Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
15 Beispiel: Returns von 2 Fonds Returns in % von 2 Fonds (Fond A, Fond B) in 15 Monaten. Daten: (Quelle: Aczel, Sounderpandian: Complete Business Statistics, 2006, S.645) A: B: Aufgabe: Durchführung des Vorzeichentest zur Untersuchung, ob beide Fonds gleich sind. 4 Monate A > B ; 1 Monat A = B ; 10 Monate A < B. Hypothesen: H 0 : D 0.5 = 0, H A : D mit D = A B. Kritischer Bereich für n = 14 = 15 1, α = 0.05 : K = {0, 1, 2} {12, 13, 14}. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
16 Vorzeichen-Rangtest nach Wilcoxon Mit dem Vorzeichen-Rangtest (Symmetrie-Test) nach Wilcoxon (oder Wilcoxon-Vorzeichen-Rangtest) kann man die Verteilung einer Zufallsgröße auf Symmetrie untersuchen. Die Verteilung von X ist symmetrisch zum Punkt M falls für beliebige x R gilt: P(X < M x) = P(X > M + x). In diesem Fall ist M auch der Median der Zufallsgröße. Ist für zwei verbundene Stichproben die Differenzzufallsgröße symmetrisch zum Median verteilt, kann der Test für stetige Differenzzufallsgrößen wie der einfache Vorzeichentest für verbundene Stichproben durchgeführt werden, d.h. z.b. H 0 : D 0.5 = 0, H A : D Die Güte dieses Tests ist besser als die Güte eines entsprechenden einfachen Vorzeichentests, da hier die Größe der Differenzen mit berücksichtigt wird. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
17 Wilcoxon-Vorzeichen-Rangtest: Rangzahlen Vorgehen: Man ordnet die Beträge der Differenzen und vergibt Rangzahlen R + i. Dabei erhält der kleinste Wert die Rangzahl 1 und der größte Wert die Rangzahl n. Tritt ein Wert mehrfach auf, erhalten (z.b.) alle diese Werte den arithmetischen Mittelwert der zugehörigen Ordnungsnummern als Rangzahl. Außerdem verwendet man die Indikatorgrößen { 1, falls Di > 0, Z i := 0, falls D i < 0. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
18 Beispiel: Bestellungen vor und nach einer Werbeaktion Wert von Bestellungen vor und nach einer Werbeaktion: vor (X i ) nach (Y i ) Differenz (D i = X i Y i ) Beträge Differenz Ordnungsnummern Rangzahlen (R + i ) Indikatorgrößen Z i Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
19 Wilcoxon-Vorzeichen-Rangtest: Testgröße, krit. Bereich Testgröße: T = W + n := Es gilt n R + i = i=1 n i = i=1 n R + i Z i. i=1 n(n + 1) 2 Kritischer Bereich: K = {t : t w + n;α/2 } {t : t w + n,1 α/2 }. Die Quantile w + n;α/2 und w + n,1 α/2 kann man aus Tabellen ablesen (z.b. im Anhang der Formelsammlung). Es gilt w + n(n + 1) n,1 α/2 = w + 2 n;α/2. Für große n (n 20) gilt: T = W n + n(n+1) 4 n(n+1)(2n+1) 24 ist näherungsweise standardnormalverteilt Quantile der Standardnormalverteilung können genutzt werden.. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
20 Beispiel: Bestellungen vor und nach einer Werbeaktion Wert von Bestellungen vor und nach einer Werbeaktion: vor (X i ) nach (Y i ) Differenz (D i = X i Y i ) Beträge Differenz Rangzahlen (R + i ) Indikatorgrößen Z i H 0 : D 0.5 = 0, H A : D ; α = 0.1. Aus der Tabelle: w 5;0.95 = w 5;0.05 = 15 0 = 15 K = {0} {15}. W + 5 = = 12 K H 0 wird nicht abgelehnt, die Unterschiede sind nicht signifikant. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 2 Version: 25. Oktober
Statistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrStatistik II für Betriebswirte Vorlesung 3
Statistik II für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 30. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 3 Version:
MehrStatistik II für Betriebswirte Vorlesung 3
Statistik II für Betriebswirte Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 2. November 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
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
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
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
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
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
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:
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
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
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
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
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
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)
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
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
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
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
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
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
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr12 Rangtests zum Vergleich zentraler Tendenzen
12 Rangtests zum Vergleich zentraler Tendenzen 12.1 Allgemeine Bemerkungen 12.2 Gepaarte Stichproben: Der Wilcoxon Vorzeichen- Rangtest 12.3 Unabhängige Stichproben: Der Wilcoxon Rangsummentest und der
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
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
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrBiometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test
Biometrieübung 7 (t-test gepaarte Daten & Wilcoxon-Test) - Aufgabe Biometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test Aufgabe 1 Hirschläufe An 10 Hirschen wurde die Länge der rechten Vorder- und
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrDas Zweistichprobenproblem
Kapitel 5 Das Zweistichprobenproblem In vielen Anwendungen will man überprüfen, ob sich zwei oder mehr Verfahren, Behandlungen oder Methoden in ihrer Wirkung auf eine Variable unterscheiden. Wir werden
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)
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrSoftware oder Tabellen (nicht Thema dieser Veranstaltung).
p-wert p-wert Der p-wert ist die Wahrscheinlichkeit, dass die Testgröße den beobachteten Wert oder einen noch extremeren Wert (,,weiter weg von H 0 ) annimmt unter der Bedingung, dass H 0 wahr ist. Bemerkungen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 16. Januar 2015 1 Verteilungsfunktionen Definition Binomialverteilung 2 Stetige Zufallsvariable,
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 für Ingenieure Vorlesung 4
Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete
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),
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
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:
MehrS1. a. Drücken Sie allgemein p durch die anderen in der Formel verwendeten Größen aus! Wie groß ist p, wenn a = 0.08, u = 1.96 und n = 120?
S1. a. Drücken Sie allgemein p durch die anderen in der Formel verwendeten Größen aus! Wie groß ist p, wenn a = 0.08, u = 1.96 und n = 120? a = u p ( 1 p) n b. Wenn am 28. Oktober (Nach Auszählen der Briefwähler)
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
MehrDWT 314/460 csusanne Albers
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schatzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schatzvariablen fur Parameter von Verteilungen. Sei ~X = (X 1 ; : : : ; X n ):
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
MehrHypothesentests. Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht.
Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht. Wissenschaftliche Vorgehensweise beim Hypothesentest Forscher formuliert eine Alternativhypothese H 1 (die neue Erkenntnis, die
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
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
MehrParameterfreie Tests. ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfreie Tests ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen ²- Anpassungstest Test auf Vorliegen einer bestimmten Verteilung Binomialtest Vergleich von unbekannten Anteilen
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
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
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
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,...,
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Mehr1 wenn Erfolg im j-ten Versuch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.1 Binomialverteilung - Alternative Darstellung n Versuche mit 2 möglichen Ausgängen. Setze Y j = 1 wenn Erfolg im j-ten Versuch 0 wenn
MehrStochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie
Stochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie Sommersemester 2018 Kapitel 8: Elemente der mathematischen Statistik Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
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
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
Mehr2 Statistische Tests
Statistische Tests 1 Statistische Tests Zu den grundlegenden Aufgaben der mathematischen Statistik zählt neben dem Schätzen von Parametern auch das Testen von Hypothesen, d.h. gewisser Annahmen über Grundgesamtheiten.
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
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
MehrStatistik II für Betriebswirte Vorlesung 4
Statistik II für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 4 Version:
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
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
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
Mehr