Fragestellungen. Ist das Gewicht von Männern und Frauen signifiant unterschiedlich? (2-sample test)
|
|
- Götz Martin
- vor 5 Jahren
- Abrufe
Transkript
1 Hypothesen Tests
2 Fragestellungen stab.glu hdl ratio glyhb location age gender height weight frame Buckingham 46 female medium Buckingham 29 female large Buckingham 58 female large Buckingham 67 male large Buckingham 64 male medium Buckingham 34 male large Buckingham 30 male medium Buckingham 37 male medium Buckingham 45 male large Buckingham 55 female small Ist das Gewicht von Männern und Frauen signifiant unterschiedlich? (2-sample test) Ist das Mittelgewicht von Männern signifiant grösser als 173? (one-sample test) Entspricht die Verteilung der Körpergrößen einer Normalverteilung? (normality test) Gibt es eine signifiante Korrelation zwischen Alter und Cholesterin level? (correlation test) Achtung : diese Fragen beziehen sich auf die Gesamtpopulation, nicht auf die Stichprobe!!
3 Hypothesen Tests : was braucht man? Statistische Frage (= zu untersuchender Efekt): haben Männer und Frauen unterschiedliche durchschnittliche Körpergrößen? sind Männer im Durchschnitt mehr als 10 cm größer als Frauen? Hypothesen Null Hypothese H 0 (= iein Efeit vorhanden): der Unterschied der Erwartungswerte ist null (Diferenzen sind statistische Fluktuationen) der Unterschied der Erwartungswerte ist kleiner oder gleich 10 cm alternative Hypothese (= ein Efeit vorhanden): der Unterschied ist ungleich null der Unterschied ist größer als 10 cm eine Teststatistii, deren Verteilung under H 0 bekannt ist Berechnung einer p-wertes: Wahrscheinlichkeit, daß ich unter H 0 einen größeren/kleineren Wert für die Teststatistik beobachten würde als den tatsächlich beobachteten.
4 Wir bauen eine Teststatistii... Test: Efekt von Düngemittel auf Wuchs von Pfanzen Kontrollpopulation (ohne Behandlung): h=1.5m Frage : Hat die Behandlung einen Efekt auf die Pfanzengröße? x = {1.47, 1.32, 1.51, 1.61, 1.27, 1.41, 1.55, 1.49, 1.44, 1.50 } Null-Hypothese (H 0 ) : nein, kein Efekt; Pfanzen nach Behandlung entstammen der gleichen Population mit Erwartungswert h = 1.5m Alternativhypothese (H 1 ): ja, die Stichprobe könnte aus einer Population mit ileinerem oder größerem Erwartungswert kommen! Stichprobe x : Mittelwert x, Standardabweichung s Efektgrösse : Rauschen : Wie groß kann t werden, wenn die Durchschnittsgröße h=1.50m ist (statistische Fluktuationen, also H0 Hypothese)? H0-Verteilung von t
5 H 0 Verteilung und p-wert Rote Kurve = H 0 Verteilung der Teststatistik Vertikale Linie = beobachteter Wert der Teststatistik aus der untersuchten Stichprobe Grüner Bereich = Wahrscheinlichkeit, einen ileineren Wert unter H 0 zu beobachten (lower-tail) Blauer Bereich = Wahrscheinlichkeit, einen größeren Wert unter H0 zu beobachten (upper-tail) p-wert = Wahrscheinlichieit, unter H 0 einen ileineren,größeren,extremeren Werte des Schätzers zu erhalten als den tatsächlich beobachteten
6 ein- oder beidseitiger Test Beispiel: Cholesterinwerte Frauen, Männer Unterschiedliche Fragen: gibt es einen signifkanten Unterschied zwischen chol. Werten bei Männern und Frauen? beidseitiger Test (H0: iein Unterschied, H1 : größer ODER ileiner) haben Männer einen sign. höheren Cholesterinspiegel? einseitiger Test ( upper tail test ) (H0: iein höherer Spiegel, H1 : höherer Spiegel) haben Männer einen sign. niedrigeren Cholesterinspiegel? einseitiger Test( lower tail test ) (H0: iein niedrigerer Spiegel, H1 : niedrigerer Spiegel) wenn keine vorherige Annahme beidseitiger Test die Frage muß gestellt werden, bevor der Test durchgeführt wird! (unter den Top 10 statistischen Todsünde..)
7 Signifianz Man defniert einen Signifianzwert α (=0.05,0.01,...) p < α : die Null-Hypothese kann verworfen werden der beobachtete Efekt ist signifiant H 1 ist statistisch bewiesen p > α : der beobachtete Efekt kann durch statistische Fluktuationen erklärt werden der Efekt reicht nicht aus, um H 0 zu verwerfen Achtung : H 0 ist dadurch nicht bewiesen!! Vielleicht würde der Efekt bei größeren Proben signifkant werden. α = 0.05 hat sich durchgesetzt, aus welchem Grund auch immer (keine goldene Regel!!)
8 Signifianz vs Relevanz Unterschied Frauen,Männer (= Efektgröße) bleibt ~ konstant der Efekt wird immer signifianter kleiner Efekt kann signifkant sein (N groß) großer Efekt kann nicht signifkant sein (N klein) Ein Test iann signifiant sein, obwohl der Efeit gering ist!
9 Resampling Methoden bei Test in denen mehrere Stichproben verglichen werden kann man die H 0 Verteilung simulieren H 0 : kein Unterschied zwischen den Proben alle Werte können vermischt werden (10000 x)? H 0
10 Beispiel : 2 Stichproben Test Frage : haben Frauen und Männer signifikant unterschiedliche durchschnittliche Cholesterin Werte? H 0 : kein signifkanter Unterschied H1 : höher oder niedriger Stichprobe aus 168 Männern, 234 Frauen Teststatistik : Resampling Methode: H 0 : kein Unterschied; was ist die Fluktuation von θ 0? Zufallsproben (168, 234) aus den reellen Werten (chol M,chol F ) Verteilung von θ 0?
11 Beispiel Beobachteter Wert: θ=1.41 Anzahl der θ 0 θ: 3700, = 37% Anzahl der θ 0 θ: 6300, = 63% Nicht signifkant, H 0 kann nicht verworfen werden. P-Wert? P up = 0.37 P down = 0.63 P 2sided = 2*min(P up,p down ) = 0.74
12 Beispiel Andere Teststatistik: Beobachteter Wert: θ=1.006 Anzahl der θ 0 θ: 37% Anzahl der θ 0 θ: 63% Nicht signifkant, H 0 kann nicht verworfen werden.
13 2. Beispiel Frage: haben Männer und Frauen ein signifkant unterschiedliches Gewicht? (beidseitiger Test) H 0 : kein signif. Unterschied Schätzer : beobachteter Wert: θ=0.96 nicht signifkant, H 0 kann nicht verworfen werden
14 2. Beispiel Frage: haben Männer ein signifkant höheres Gewicht? (einseitiger Test) H 0 : kein signif. höheres Gewicht von Männern Schätzer : beobachteter Wert: θ=0.96 signifkant, H 0 kann verworfen werden
15 Empirische vs Exaite Tests p-wert Bestimmungen durch resampling Methoden erlauben es, jede Hypothese anhand von jeder Teststatistik zu untersuchen Präzision der p-wert Bestimmung hängt von Anzahl der resamplings ab n=1000 max. Präzision der p-wertes : 1e-3 n= max. Präzision der p-wertes : 1e-5 kann schnell sehr Computerintensiv werden für gewisse Teststatistiken, unter gewissen Voraussetzungen kann man exakte, parametrische Tests benutzen Voraussetzungen nicht erfüllt : nicht-parametrische Tests
16 Mittelwert Tests Hypothesen über Mittelwerte können anhand eines t-tests untersucht werden verschiedene Versionen 1-Proben Test : ist die Durchschnittskörpertemperatur 37.7? 2-Proben Test, ungepaart : haben Männer und Frauen unterschiedliche dursch. Körpergrößen? 2-Proben Test, gepaart : verändert sich der durch.. Cholesterinspiegel, wenn man 1 Monat lang jeden Morgen ein Ei isst? 1-Proben Test 2-Proben Test ungepaart 2-Proben Test gepaart
17 t-test Typ Teststatistii Freiheits grade Anmeriung 1-Proben n-1 2-Proben ungepaart gleiche Varianz 2-Proben ungepaart ungleiche Varianz 2-Proben gepaart n 1 +n 2-2 (*) n-1 x D = Diferenzen zwischen Paaren (*) H 0 - Verteilung : t-verteilung mit entsprechenden Freiheitsgraden
18 Tabelle der iritischen Werte Freiheitsgrade Beispiel (1-Proben Test): Signifkanzwert α = 0.05 Teststatistik t = 2.01 Probengröße n=8 Freiheitsgrade ν = 7 Einseitiger Test: Spalte 1-α = 0.95 kritischer Wert = t > : Test ist signifkant bei α=0.05 H0 kann verworfen werden!
19 Tabelle der iritischen Werte Freiheitsgrade Beispiel (1-Proben Test): Signifkanzwert α = 0.05 Teststatistik t = 2.01 Probengröße n=8 Freiheitsgrade ν = 7 Beidseitiger Test: Spalte 1-α,2 = kritischer Wert = t < : Test istnicht signifkant bei α=0.05 H0 kann NICHT verworfen werden
20 t.test in R zweiseitiger Student t-test, ungepaart Teststatistik > t.test(weight.m,weight.f,var.equal=true) Two Sample t-test data: weight.m and weight.f t = , df = 400, p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y Freiheitsgrade = n1+n2-2 Konfdenzinterval der Diferenz der Mittelwerte H 0 : Durschnittsgewicht der Männer ist gleich das der Frauen H 1 : Durschnittsgewicht der Männer ist ungleich das der Frauen
21 t.test in R einseitiger Student t-test, ungepaart > t.test(weight.m,weight.f,alternative="greater",var.equal=true) Two Sample t-test data: weight.m and weight.f t = , df = 400, p-value = alternative hypothesis: true difference in means is greater than 0 95 percent confidence interval: Inf sample estimates: mean of x mean of y bei einseitigen Tests ist ober,unter Grenze des KI immer +,- unendlich! H 0 : Durchschnittsgewicht der Männer ist nicht größer als das der Frauen H 1 : Durchschnittsgewicht der Männer ist größer als das der Frauen
22 t.test in R einseitiger Test α = 0.05 signifiant beidseitiger Test α = 0.05 nicht signifiant
23 t.test in R einseitiger Welch t-test, ungepaart > t.test(weight.m,weight.f,alternative="greater") Welch Two Sample t-test data: weight.m and weight.f t = , df = , p-value = alternative hypothesis: true difference in means is greater than 0 95 percent confidence interval: Inf sample estimates: mean of x mean of y da die Varianzen selten genau gleich sind wird meistens der Welch t-test durchgeführt (wird automatisch geprüft in R)
24 zurüci zu den Beispielen p-wert t-test p-wert resampling Haben Männer und Frauen unterschiedliche Cholesterinspiegel? p = (2-Proben, ungepaart, twotailed) p = 0.37 Haben Männer ein höheres Körpergewicht? p = (2-Proben, ungepaart, onetailed) p = 0.032
25 Gepaarte t-tests 2 Proben mit gleicher Anzahl von Elementen jedes Element aus Gruppe A kann einem Element aus Gruppe B zugeordnet werden Efekt eine Medikamentes gegen Magersucht Patienten vor,nach Behandlung Technische Replikate x D : Diferenzen der Paare ungepaart p = 5e-3 gepaart p = 7e-4
26 Gepaarte t-tests
27 das Kleingedrucite... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben Tests, ungepaart) wenn ja : Student's t-test wenn nein : Welsch t-test unabhängige Proben (2-Proben Tests, ungepaart) Voraussetzungen nie 100% erfüllt : wie robust ist der t-test?
28 Normalität überprüfen um zu testen, ob wir den t-test anwenden können, müssen wir zuerst testen, ob die Testdaten normalverteilt sind Prinzip QQplot : graphische Überprüfung allgemeiner Vergleich von Verteilungen Normalitätstest: Shapiro-Wilis Test, Kolmogorov-Smirnov Test,... Überprüfung der Normalität > n <- 10 > x <- rnorm(n) ## Normalverteilung > shapiro.test(x) Shapiro-Wilk normality test data: x W = 0.977, p-value = > n <- 10 > x <- rt(n,df=2) ## t-verteilung > shapiro.test(x) Shapiro-Wilk normality test data: x W = , p-value = H 0 : Daten sind normalverteilt in diesem Fall wird H 0 nicht verworfen Daten normalverteilt H 0 : Daten sind normalverteilt in diesem Fall wird H 0 verworfen Daten nicht normalverteilt
29 Normalität überprüfen Kolmogorov-Smirnov Test nicht parametrischer Test, wird benutzt um 1-2 Datensätze zu Vergleichen two-samples : 2 Datensätze miteinander one-sample : 1 Datensatz vs. theoretische Verteilung Schätzer: D = Wert der größten Abweichung zwischen den kumul. Verteilungen H 0 : beide Datensätze stammen aus der gleichen Verteilung kritische Werte für ein bestimmtes Signifkanzniveau α und Anzahl n von Werten sind tabelliert (hier ein Link). > ks.test(x=x,y="pnorm") One-sample Kolmogorov-Smirnov test data: X D = , p-value = alternative hypothesis: two-sided
30 Beispiel : one-sample KS Sind die Cholesterinwerte normal verteilt? (H0 : ja!) Parameter einer entsprechenden Normalverteilung : q1 q0 Mittelwert : m = Standardabweichung : s = q0 = Quantile der beobachteten Werte q1 = Quantile der Normalverteilung N(m,s) Grösste Diferenz q0,q1 : Entsprechender p-wert für 20 Datenpunkte: p = 0.85 H0 iann NICHT verworfen werden! also können wir annehmen, dass die Werte normalverteilt sind! x q0 q1 D
31 Normalität überprüfen Kolmogorov-Smirnov Test nicht parametrischer Test, wird benutzt um 1-2 Datensätze zu Vergleichen one-sample : 1 Datensatz vs. theoretische Verteilung two-samples : 2 Datensätze miteinander > ks.test(x=x,y="pnorm") test data: X One-sample Kolmogorov-Smirnov D = , p-value = alternative hypothesis: two-sided > ks.test(x=x,y=y) Two-sample Kolmogorov-Smirnov test data: X and Y D = 0.2, p-value = alternative hypothesis: two-sided
32 Wie iann sich ein Test täuschen? Was stimmt H0 gilt H0 gilt nicht Was der Test sagt H0 wird verworfen H0 wird nicht verworfen Falsch Positiv oder Typ I Fehler Wahre Negative Negative Wahre Positive Falsch Negativ oder Typ II Fehler Positive Test Positive Test Negative Falsch Positiv Rate = Falsch Positive, Negative
33 einen Test testen wie robust ist ein statistischer Test? ein robuster Test sollte: richtige H 0 Hypothesen nur in α Prozent der Fälle wiederlegen (Typ I Fehler Rate oder Falsch Positiv Rate = α) falsche H 0 Hypothesen oft verwerfen (niedrige Typ II Fehler oder Falsch negative Rate) Robustheit gegenüber Abweichungen von den Voraussetzungen Normalität identische Varianz
34 Beispiel : H 0 gilt ich ziehe 2 Datenreihen von jeweils 50 Zahlen aus der gleichen Normalverteilung H 0 : die Erwartungswerte der 2 Verteilungen sind gleich (stimmt!) ich führe einen t-test durch (2 Proben, ungepaart) und bestimme den p-wert ich führe dieses Experiment 1000 durch, und untersuche die Verteilung der p-werte. unter H0 ist die Verteilung der p-werte eine Gleichverteilung (Defnition des p-wertes!) in 5% der Fälle habe ich einen p-wert kleiner als 0.05 in 50% der Fälle habe ich einen p-wert kleiner als 0.5
35 Typ I Fehler Roter Bereich: bei α = 0.05 hätten wir die H0 Hypothese zu Unrecht verworfen Falsch Positive! Wie oft wäre das passiert? in 5% der Fälle (da Gleichverteilung) Falsch-Positiv Rate wird von α angegeben Test bei denen H0 gilt : Gleichverteilung
36 Beispiel : H 0 gilt nicht ich ziehe 2 Datenreihen von jeweils N=50 Zahlen aus 2 Normalverteilungen mit unterschiedlichen Erwartungswerten H 0 : die Erwartungswerte der 2 Verteilungen sind gleich (stimmt nicht, der Test sollte H0 verwerfen!) ich führe einen t-test durch (2 Proben, ungepaart) und bestimme den p-wert ich führe dieses Experiment 1000 durch, und untersuche die Verteilung der p-werte.
37 Verteilung der P-Werte Viele kleine P-Werte H0 wird in diesen Fällen verworfen Einige grosse P-Werte H0 wird in diesen Fällen NICHT verworfen
38 Typ II Fehler entstehen, wenn eine falsche H 0 hypothese nicht wiederlegt wird Falsch Negative Wahrscheinlichkeit eines Typ II Fehlers : β-wert die Wahrscheinlichkeit, einen Typ II Fehler nicht zu begehen nennt man die Power eines Tests diese Fläche β entspricht den falsch Negativen: H 0 wird nicht verworfen
39 Typ II Fehler 2 Datensätze der Größe N Normalverteilung, mu=0 Normalverteilung, mu=0.2 hier gilt H 0 also nicht t-test p-werte für verschiedene N Fazit : mit steigender Probengröße hat der Test immer mehr Power
40 Power eines Tests Power 1-β hängt ab von Signifianz level α Probengröße N Efeitgröße : wie stark weicht der tatsächliche Efekt von H 0 ab? Power Hohes Signifkanzlevel Niedriges Signifkanzlevel Grosse Probengrösse Grosse Efektgrösse Kleine Probengrösse Kleine Efektgrösse
41 Beispiel : Pinguine Ich untersuche Populationen von Pinguinen in der Antarktis 2 Arten Humboldtpinguine : μ H =15kg, σ H Königspinguine: μ K =16kg, σ K Ich fange Gruppen von N Pinguinen, berechne das Durschnittsgewicht m, und bestimme, ob es HP sind oder nicht H 0 : es sind Humboldtpinguine
42 Verteilungen der Mittelwerte Verteilung der Mittelwerte μ = μ H σ = σ H, N H0 : es handelt sich um Humboldtpinguine : Verwerfungsbereich von H 0 Verteilung der Mittelwerte μ = μ K σ = σ K, N : nicht Verwerfungsbereich von H 0
43 Typ II Fehler Bei festgelegtem α kann man N berechnen, sodass β einen bestimmen Wert nicht überschreitet. Beispiel: der Test soll bei einem Gewichtsunterschied von 1 kg eine Power von 60% haben und eine Signifkanz von 5% N ~ 30 : Verwerfungsbereich von H 0 : nicht Verwerfungsbereich von H 0
44 Nicht parametrische Tests setzen keine Bedingung auf die Verteilung der Werte werden angewendet, wenn Normalitätsbedingungen der t-tests nicht erfüllt sind. anstatt der Werte werden die Ränge dieser Werte benutzt Wilcoxon Rang Tests Ungepaarter Test : Wilcoxon rank sum test, Mann-Whitney U-test Gepaarter Test : Wilcoxon signed rank test
45 Wilcoxon Rani Sum Test, Mann-Whitney U Test Zwei ungepaarte Proben Werte der 2 Proben werden zusammengelegt, und nach steigenden Werten geordnet R 1 ist die Summe der n 1 Ränge der ersten Probe * Teststatistik : R1 = 59 > wilcox.test(x1,x2) Wilcoxon rank sum test data: x1 and x2 W = 23 W = 23, p-value = alternative hypothesis: true location shift is not equal to 0 * Probe 1 ist per Defnition die mit dem kleinsten R
46 Wilcoxon signed rani Test zwei gepaarte Proben D i : Diferenzen der Paare R i : Ränge der D i Teststatistik : Sind die positiven Diferenzen größer,kleiner als die negativen? H 0 : die positiven,negativen Diferenzen haben gleiche Rangverteilung
47 Wilcoxon signed rani Test Beispiel : Behandlung der Anorexie > X Prior Post Diff AbsDiff ranks SignedRanks > W.p <- sum(x[x$diff>0,'ranks']) > W.m <- sum(x[x$diff<0,'ranks']) > W.p [1] 142 > W.m [1] 11 Hier: beidseitiger Test! > wilcox.test(x$prior,x$post,paired=true) Wilcoxon signed rank test data: X$Prior and X$Post V = 11, p-value = alternative hypothesis: true location shift is not equal to 0
48 Wilcoxon robuster als t-test? H 0 gilt in allen Fällen immer stärkere Abweichung von der Normalitätsvoraussetzung p-werte Verteilung weicht bei t-test von der Gleichverteilung ab... aber nicht bei dem Wilcoxon rank-sum test. ungepaarter t-test Wilcoxon rank sum test
das Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
MehrFragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu 82 97 92 93 90 94 92 75 87 89 hdl 56 24 37 12 28 69 41 44 49 40 ratio 3.60 6.90 6.20 6.50 8.90 3.60 4.80 5.20 3.60 6.60 glyhb 4.31 4.44 4.64 4.63 7.72 4.81 4.84
MehrGood Data don't need statistics. Biostatistik 101. Statistathon. Carl Herrmann DKFZ B080 & IPMB Uni Heidelberg
Good Data don't need statistics Biostatistik 101 Statistathon Carl Herrmann DKFZ B080 & IPMB Uni Heidelberg c.herrmann@dkfz.de Plan Topics beschreibende Statistik Wahrscheinlichkeitsverteilungen; statistische
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrW-Rechnung und Statistik für Ingenieure Übung 13
W-Rechnung und Statistik für Ingenieure Übung 13 Nächste Woche: Probeklausur Bringen Sie sich ein leeres Exemplar der Probeklausur mit, um sich eine Musterlösung zu erstellen. Aufgabe 1 : Testproblem Testproblem:
MehrEine Einführung in R: Statistische Tests
I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Eine Einführung in R: Statistische Tests
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 9. Dezember 2009 Bernd Klaus, Verena Zuber
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler 20. Mai 2010 Inhaltsverzeichnis
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html
MehrProportions Tests. Proportions Test können in zwei Fällen benutzt werden. Vergleich von beobachteten vs. erwarteten Proportionen
Proportions-Tests Proportions Tests Proportions Test können in zwei Fällen benutzt werden Vergleich von beobachteten vs. erwarteten Proportionen Test der Unabhängigkeit von 2 Faktoren kann auch zum Vergleich
MehrBiostatistik. Lösung
Prof. Dr. Achim Klenke Fridolin Kielisch 13. Übung zur Vorlesung Biostatistik im Sommersemester 2015 Lösung Aufgabe 1: a) Ich führe einen zweiseitigen Welch-Test durch, weil ich annehme, dass die Daten
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
MehrStatistik für Ingenieure Vorlesung 12
Statistik für Ingenieure Vorlesung 12 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 23. Januar 2017 5.1.1. Tests für eine Stichprobe mit stetiger Skala a) Shapiro-Wilk-Test
MehrStatistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
MehrStochastik Praktikum Testtheorie
Stochastik Praktikum Testtheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 11.10.2010 Definition X: Zufallsgröße mit Werten in Ω, (Ω, F, (P ϑ ) ϑ Θ ) statistisches Modell Problem: Teste H 0 : ϑ
Mehr> read.table("d:\\reifen.txt",header=t) > Reifen
1. Aufgabe: Auf einer Reifenrollentestanlage werden Versuche durchgeführt um die Langlaufeigenschaften zu untersuchen. Insbesondere wird die Untersuchung des Abriebs über simulierte Anfahr- Brems- und
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
MehrBiostatistik, WS 2017/18 Der zwei-stichproben-t-test
1/28 Biostatistik, WS 2017/18 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 15.12.2017 und 22.12.2017 2/28 Inhalt
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
MehrBiostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test
1/22 Biostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 20.12.2013 Motivation 4/22 Bei (ungefähr) glockenförmigen und symmetrisch
MehrTeil X. Hypothesentests für eine Stichprobe. Woche 8: Hypothesentests für eine Stichprobe. Lernziele. Statistische Hypothesentests
Woche 8: Hypothesentests für eine Stichprobe Teil X Patric Müller Hypothesentests für eine Stichprobe ETHZ WBL 17/19, 19.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrHypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1
Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1 Inhalt Programmiersprache R Syntax Umgang mit Dateien Tests t Test F Test Wilcoxon Test 2 Test Zusammenfassung 2 Programmiersprache R Programmiersprache
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
MehrTeil VII Hypothesentests für eine Stichprobe
Woche 7: Hypothesentests für eine Stichprobe Teil VII Hypothesentests für eine Stichprobe WBL 15/17, 15.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner Fachhochschule
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrProportions Tests. Proportions Test können in zwei Fällen benutzt werden. Vergleich von beobachteten vs. erwarteten Proportionen
Proportions-Tests Proportions Tests Proportions Test können in zwei Fällen benutzt werden Vergleich von beobachteten vs. erwarteten Proportionen Test der Unabhängigkeit von 2 Faktoren kann auch zum Vergleich
MehrIf something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Warum Biostatistik?
Mehr14.3 Das Einstichprobenproblem in R
14.3. DAS EINSTICHPROBENPROBLEM IN R 343 0.553 0.570 0.576 0.601 0.606 0.606 0.609 0.611 0.615 0.628 0.654 0.662 0.668 0.670 0.672 0.690 0.693 0.749 0.844 0.933 die absoluten Häufikeiten n i der Klassen.
MehrAnalytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm.) Herbst 2012
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm.) Herbst 2012 Mr. X Krebs Zwei Krebstypen 1 Typ 1: Mild Chemotherapie nicht nötig 2 Typ 2: Schwer Chemotherapie nötig Problem: Typ erst nach langer
MehrBiostatistik, Sommer 2017
1/57 Biostatistik, Sommer 2017 : Gepaarter, Ungepaarter t-test, Welch Test Prof. Dr. Achim Klenke http://www.aklenke.de 12. Vorlesung: 07.07.2017 2/57 Inhalt 1 Gepaarter t-test Ungepaarter t-test Ungepaarter
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
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
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Winter 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
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
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
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
MehrStatistik für Ingenieure Vorlesung 11
Statistik für Ingenieure Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 23. Januar 2018 5. Schließende Statistik 5.1. Statistische Tests (Signifikanztests)
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
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,...,
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
MehrBeurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung
Beurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung K. Molt Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 3. Juni 2007 K. Molt (Fachgeb. IAC) 3. Juni 2007 1 / 41
MehrStatistische Tests funktionieren generell nach obigem Schema; der einzige Unterschied besteht in der unterschiedlichen Berechnung der Testgröße.
Statistische Tests Testen von Hypothesen Fehlerarten wichtigste statistische Tests Hypothesen Jeder statistische Test beruht auf der Widerlegung einer zuvor aufgestellten Hypothese. Die Widerlegung ist
MehrKlausur Stochastik und Statistik (WS 2008/09)
Klausur Stochastik und Statistik (WS 2008/09) Aufgabe: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Pkt. mgl. 2 1 1 1 8 4 4 2 7 2 2 2 2 2 2 1 3 2 2 50 Pkt erreicht: Name, Vorname: Matrikelnummer: Fachrichtung:
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)
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrHow To Find Out If A Ball Is In An Urn
Prof. Dr. P. Embrechts ETH Zürich Sommer 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
Mehr3 Randomisierungs-Tests
28 3 Randomisierungs-Tests 3.1 Einführendes Beispiel a Hagel-Experiment:( GrossversuchIV imnapfgebiet1978-1983) Verringert das Impfen von potenziellen Hagelwolken mit Silberiodid die Hagelenergie? (Einfache
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
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
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Dirk Metzler 24. Mai 2017 Inhaltsverzeichnis 1 Wiederholung:
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Matthias Birkner & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 12. Mai 2009 1 t-test für gepaarte Stichproben
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
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
Mehrt-tests Lösung: b) und c)
t-tests 2015 Assessmentmodul 1 - Frage B10: Ein Team von Gesundheitspsychologinnen hat ein Programm entwickelt, das die Studierenden der Universität Zürich dazu anregen soll, mehr Sport zu treiben. In
Mehr# Befehl für den Lilliefors-Test
1/5 Matthias Rudolf & Diana Vogel R-Kurs Graduiertenakademie September 2017 Loesungsskript: Tests 1a library(nortest) 1b lillie.test Befehl für den Lilliefors-Test 2a, Datensatz "Schachbeispiel einlesen"
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm./HST) FS 2014
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm./HST) FS 2014 Wdh: t-test für eine Stichprobe 1. Modell: X i ist eine kontinuierliche MessgrÄosse; X 1 ; : : : ; X n iid N (¹; ¾ 2 X ); ¾ X wird
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
MehrJonathan Harrington. Die t-verteilung
Jonathan Harrington Die t-verteilung Standard error of the mean (SE) ist die Standardabweichung von Mittelwerten Ich werfe 5 Würfel und berechne den Mittelwert der Zahlen µ = 3.5 der wahrscheinlichste
MehrNicht-parametrische statistische Verfahren
Nicht-parametrische statistische Verfahren von Peter Pfaffelhuber Version: 7. Dezember 015 Die statistischen Verfahren, die wir bisher kennengelernt haben, basieren auf statistischen Modellen, die immer
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
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
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 : Binomial, Gauß Prof. Dr. Achim Klenke http://www.aklenke.de 10. Vorlesung: 20.01.2012 1/31 Inhalt 1 Einführung Binomialtest 2/31 Beispiel Einführung Bohnenlieferant liefert
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrSoftwaretechnik. 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 2010/11 Überblick I Statistik bei kontrollierten Experimenten
Mehr1. Nennen Sie den für das Merkmal X geeigneten Skalentyp und begründen Sie Ihre Antwort.
Aufgabe 1 150 Personen gaben bei einer Befragung an, wie viel Geld sie in diesem Jahr für Weihnachtsgeschenke ausgegeben haben. Die Ergebnisse der Befragung sind in nachfolgender Tabelle zusammengefasst,
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrGood data... don t need statistics
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Good data... don
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Matthias Birkner & Dirk Metzler 12. Mai 2009 Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung bei Trauerschnäppern..........................
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Winter 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Martin Hutzenthaler & Dirk Metzler Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung bei Trauerschnäppern..........................
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 21. Januar 2015 1 t-tests für Erwartungswerte Verbundene und unverbundene Stichproben
MehrSchriftliche Prüfung (1 Stunde)
Prüfung Statistik Herbstsemester 2011 Schriftliche Prüfung (1 Stunde) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst
MehrPermutationstests II.
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Permutationstests II. 1. Zwei-Stichprobentest auf Variabilität 2. Mehrere Stichproben: Vergleich von Mittelwerten 3. Kurzer Exkurs: Präzision von Monte
Mehr7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17
7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17 1. Aufgabe: a) Grundgesamtheit sind alle Reifen aus der Produktion von Langstone aus dem Monat März der entsprechenden Reifentypen.
MehrBiostatistik, WS 2017/18 Der t-test
1/65 Biostatistik, WS 2017/18 Der t-test (Zwei gepaarte Stichproben bzw. eine Stichprobe) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 8.12.2017 und 15.12.2017 Beispiel: Orientierung
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
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
MehrSchriftliche Prüfung (2 Stunden)
Prüfung Statistik Winter 2013 Schriftliche Prüfung (2 Stunden) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst alle Aufgaben
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
Mehr