Eine Einführung in R: Statistische Tests
|
|
|
- Melanie Vogel
- vor 5 Jahren
- Abrufe
Transkript
1 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 Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 25. November 2010 Bernd Klaus, Verena Zuber Statistische Tests 1/38
2 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R I. Einführungsbeispiel II. Theorie: Statistische Tests Hypothesen aufstellen Betrachtung der Daten Aufstellen der Prüfgröÿe Durchführen des Tests Testentscheidung III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test t-test - EW einer Population t-test - EW zweier Populationen t-test - EW gepaarter Populationen Der Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Bernd Klaus, Verena Zuber Statistische Tests 2/38
3 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R I. Einführungsbeispiel: Trinkt die Jugend in Europa mehr Alkohol als im Rest der Welt? Untersucht wird die Variable Alkohol im oecd-datensatz: Der Anteil an jährigen Jugendlichen, die mindestens zweimal betrunken waren Bernd Klaus, Verena Zuber Statistische Tests 3/38
4 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Erster Schritt: Deskriptive Analyse 1. Graphisch mit dem Boxplot boxplot(alkohol Geo) Boxplot für Europa und Nicht Europa Nicht Europa Europa Bernd Klaus, Verena Zuber Statistische Tests 4/38
5 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R 2. Kennzahlen, wie Mittelwert mu<-tapply(alkohol, Geo, FUN=mean, na.rm=true) Nicht-Europa Europa Standardabweichung sigma<-tapply(alkohol, Geo, FUN=sd, na.rm=true) Nicht-Europa Europa Es ist zu erkennen, dass in Europa im Mittel ein höherer Anteil an Jugendlichen schon mindestens zweimal betrunken war als in nicht-europäischen Staaten. Doch dies könnte auch ein Zufall sein! Denn die Beobachtungen beruhen auf Stichproben, sie sind Realisierungen einer Zufallsvariable. Bernd Klaus, Verena Zuber Statistische Tests 5/38
6 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Eigentliches Ziel: Überprüfung von Annahmen über das Verhalten des interessierenden Merkmales in der Grundgesamtheit mittels Stichproben. Annahme: Jugendliche in Europa trinken mehr Alkohol als im Rest der Welt Merkmal: Alkoholkonsum der Jugend Grundgesamtheit: Jugendliche in Europa und im Rest der Welt Stichprobe: Die oecd-daten Für solche Fragestellungen mit gleichzeitiger Kontrolle der Fehlerwahrscheinlichkeit sind statistische Tests geeignet! Bernd Klaus, Verena Zuber Statistische Tests 6/38
7 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Statistisches Testen I 1. Aufstellen von zwei komplementären Hypothesen: Testhypothese (H 0 ): Der Anteil in Europa ist kleiner dem im Rest der Welt µ E µ NE Alternativhypothese (H 1 ): Der Anteil in Europa gröÿer als der im Rest der Welt µ E > µ NE 2. Fehlerwahrscheinlichkeit festlegen: H 0 soll mit einer W'keit von weniger als 5% abgelehnt werden, wenn H 0 wahr ist. Also: wenn der Anteil in Wahrheit kleiner oder gleich ist, soll der Test nur mit einer W'keit von weniger als 5% zu dem (falschen) Ergebnis kommen, dass der Anteil gröÿer ist. Bernd Klaus, Verena Zuber Statistische Tests 7/38
8 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Statistisches Testen II 3. Beobachtete Daten: 2 Gruppen ˆµ ˆσ n Nicht-Europa Europa (Weitere Annahmen: Normalverteilung, Varianzgleichheit) 5. Berechnen der Prüfgröÿe T, einer Kennzahl, die zeigt, wie stark die Gruppenmittel voneinander abweichen: (a) Mittelwertsdierenz der beiden Gruppen (b) Standardisieren mit der entsprechenden Standardabweichung T = (ˆµ E ˆµ NE )/ ( 1 ne + 1 E 1)ˆσ 2 nne )(n E + (n NE 1)ˆσ NE 2 ne + nne 2 (c) (Hypothetische Verteilung der Prüfgröÿe festlegen, hier t-verteilung mit = 22 Freiheitsgraden) Bernd Klaus, Verena Zuber Statistische Tests 8/38
9 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Statistisches Testen III 6. Berechnung der Prüfgröÿe T in R: (a) Mittelwertsdierenz der beiden Gruppen m.diff<-mu[2]-mu[1] (b) Standardisieren mit der entsprechenden Standardabweichung diff.std2 <- sqrt((1/21+1/3)* (20*sigma[2]ˆ2+2*sigma[1]ˆ2)/(21+3-2)) (c) Prüfgröÿe: pg.t <-m.diff/diff.std Wie wahrscheinlich ist es (unter der Nullhypothese), eine Prüfgröÿe T zu beobachten, die gröÿer oder gleich ist? 1-pt(pg.T, df=22) Bernd Klaus, Verena Zuber Statistische Tests 9/38
10 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Statistisches Testen IV y pg.t x Mit hoher W'keit (26.2%) kann eine solche Prüfgröÿe pg.t beobachtet werden, wenn der Mittelwert in Europa und kleiner als der in Nicht-Europa ist. Bernd Klaus, Verena Zuber Statistische Tests 10/38
11 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Statistisches Testen V 8. Entscheidung: Aus diesen Daten kann nicht geschlossen werden, dass in Europa Jugendliche mehr Alkohol trinken als im Rest der Welt. 9. Grund: Zu geringe Fallzahl! Mit n E = n NE = 101 ergibt sich (b) Standardisieren mit der entsprechenden Standardabweichung diff.std <- sqrt((1/101+1/101)* (100*sigma[2]ˆ2+100*sigma[1]ˆ2)/( )) (c) Prüfgröÿe: pg.t2 <-m.diff/diff.std (d) Vergleich mit der t-verteilung: 1-pt(pg.T2, df=200) Bernd Klaus, Verena Zuber Statistische Tests 11/38
12 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Statistisches Testen IV y pg.t Mit nur sehr geringer W'keit (0.003%) kann eine solche Prüfgröÿe pg.t2 beobachtet werden, wenn wenn der Mittelwert in Europa und kleiner als der in Nicht-Europa ist. x Bernd Klaus, Verena Zuber Statistische Tests 12/38
13 I. Einführungsbeispiel Hypothesen aufstellen II. Theorie: Statistische Tests Betrachtung der Daten III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen Aufstellen -der Test Prüfgröÿe IV. t-test und Wilcoxon-Rangsummen - TestTestentscheidung in R II. Der Baukasten für statistische Test: Wie geht man vor? Bernd Klaus, Verena Zuber Statistische Tests 13/38
14 I. Einführungsbeispiel Hypothesen aufstellen II. Theorie: Statistische Tests Betrachtung der Daten III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen Aufstellen -der Test Prüfgröÿe IV. t-test und Wilcoxon-Rangsummen - TestTestentscheidung in R Fünf Schritte zum Testergebniss I. Hypothesen aufstellen II. Betrachtung der Daten III. Aufstellen der Prüfgröÿe IV. Durchführen des Tests V. Testentscheidung Bernd Klaus, Verena Zuber Statistische Tests 14/38
15 I. Einführungsbeispiel Hypothesen aufstellen II. Theorie: Statistische Tests Betrachtung der Daten III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen Aufstellen -der Test Prüfgröÿe IV. t-test und Wilcoxon-Rangsummen - TestTestentscheidung in R I. Hypothesen aufstellen Was soll verglichen werden? Gegen einen festen Wert Zwei Gruppen (t-test) Messwiederholungen Einseitige oder zweiseitige Fragestellung? Beispiel: Einseitige Fragestellung : H 0 : µ 1 µ 2 gegen H 1 : µ 1 > µ 2 Zweiseitige Fragestellung : H 0 : µ 1 = µ 2 gegen H 1 : µ 1 µ 2 Aufstellen der eigentlich interessierenden Alternativhypothese H 1 und der Nullhypothese H 0. Signikanzniveau α festlegen. Bernd Klaus, Verena Zuber Statistische Tests 15/38
16 I. Einführungsbeispiel Hypothesen aufstellen II. Theorie: Statistische Tests Betrachtung der Daten III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen Aufstellen -der Test Prüfgröÿe IV. t-test und Wilcoxon-Rangsummen - TestTestentscheidung in R Welche Fehler kann man beim Testen machen? Entscheidung: H 0 Entscheidung: H 1 H 0 wahr richtig Fehler 1. Art (α) H 1 wahr Fehler 2. Art (β) richtig Fehler erster Art (α-fehler): Obwohl H 0 wahr ist, entscheidet man sich für H 1 (False Positiv) Fehler zweiter Art (β-fehler): Obwohl H 1 wahr ist, entscheidet man sich für H 0 (False Negativ) Bernd Klaus, Verena Zuber Statistische Tests 16/38
17 I. Einführungsbeispiel Hypothesen aufstellen II. Theorie: Statistische Tests Betrachtung der Daten III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen Aufstellen -der Test Prüfgröÿe IV. t-test und Wilcoxon-Rangsummen - TestTestentscheidung in R II. Betrachtung der Daten Können Verteilungsannahmen getroen werden? Ja: Parametrische Tests Nein: Nonparametrische Tests Weitere Annahmen wie z.b. Varianzgleichheit in den Gruppen... Aus Schritt I. und II. folgen alle weiteren Schritte! Bernd Klaus, Verena Zuber Statistische Tests 17/38
18 I. Einführungsbeispiel Hypothesen aufstellen II. Theorie: Statistische Tests Betrachtung der Daten III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen Aufstellen -der Test Prüfgröÿe IV. t-test und Wilcoxon-Rangsummen - TestTestentscheidung in R III. Aufstellen der Prüfgröÿe Aus den Hypothesen ergibt sich die Form der Prüfgröÿe, z.b. die Mittelwertsdierenz Standardisieren mit unter H 0 gültigen Erwartungswert unter H 0 gültigen Standardabweichung Festlegen der Verteilung, die unter H 0 gültig ist. Bernd Klaus, Verena Zuber Statistische Tests 18/38
19 I. Einführungsbeispiel Hypothesen aufstellen II. Theorie: Statistische Tests Betrachtung der Daten III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen Aufstellen -der Test Prüfgröÿe IV. t-test und Wilcoxon-Rangsummen - TestTestentscheidung in R IV. Durchführen des Tests und V. Testentscheidung Hier sind zwei Werte entscheidend: Kritischer Wert κ: Welchen Wert darf die Prüfgröÿe maximal annehmen, wenn H 0 tatsächlich gültig ist. p-wert: Wahrscheinlichkeit, die vorliegenden Daten zu beobachten, wenn H 0 gültig ist. Entscheidung: H 0 ablehnen, falls die Prüfgröÿe gröÿer als der kritische Wert ist (Vorsicht bei nonparametrischen Tests: hier kleiner als der kritische Wert). falls der p-wert kleiner dem vorher festgelegten Signikanzniveau α ist. Bernd Klaus, Verena Zuber Statistische Tests 19/38
20 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test III. Zwei Klassiker t-test und Wilcoxon-Rangsummen - Test... ein bisschen Theorie Bernd Klaus, Verena Zuber Statistische Tests 20/38
21 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 1. Ziel, Hypothesen und Voraussetzungen Vergleich das emp. Populationsmittel x mit einem hypothetischen Mittelwert µ 0. benötigt eine Normalverteilung der Stichprobe Varianz wird als unbekannt angenommen Varianten für die Hypothesen: (a) Einseitige Fragestellung 1 : H 0 : x µ 0 gegen H 1 : x > µ 0 (b) Einseitige Fragestellung 2 : H 0 : x µ 0 gegen H 1 : x < µ 0 (c) Zweiseitige Fragestellung : H 0 : x = µ 0 gegen H 1 : x µ 0 Bernd Klaus, Verena Zuber Statistische Tests 21/38
22 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 2. Teststatistik Teststatistik T = x µ 0 s n Schätzung der Standardabweichung σ durch: s = [ n i=1 ( x x i) 2 n 1 ] 0.5 Bernd Klaus, Verena Zuber Statistische Tests 22/38
23 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 3. Kritische Bereiche Kritische Bereiche: (a) Einseitige Fragestellung 1 : T > t 1 α (n 1) (b) Einseitige Fragestellung 2 : T < t α (n 1) (c) Zweiseitige Fragestellung : T > t 1 α/2 (n 1) Bernd Klaus, Verena Zuber Statistische Tests 23/38
24 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 1. Ziel, Hypothesen und Voraussetzungen Vergleiche die emp. Populationsmittel x 1 und x 2 miteinander benötigt eine Normalverteilung der Stichprobe Varianz der Populationen unbekannt 2 Varianten: Varianzen der Populationen gleich oder ungleich Varianten für die Hypothesen: (a) Einseitige Fragestellung 1 : H 0 : x 1 x 2 gegen H 1 : x 1 > x 2 (b) Einseitige Fragestellung 2 : H 0 : x 1 x 2 gegen H 1 : x 1 < x 2 (c) Zweiseitige Fragestellung : H 0 : x 1 = x 2 gegen H 1 : x 1 x 2 Bernd Klaus, Verena Zuber Statistische Tests 24/38
25 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 2. Teststatistik Teststatistik T = x 1 x 2 s n Schätzung der Standardabweichung σ durch: s = [( 1 n n 2 ) ] (n 1 1)s 1 + (n )s 2 n 1 + n 2 1 wobei s 1 und s 2 die Standardvarianzschätzer für die Populationen sind Bernd Klaus, Verena Zuber Statistische Tests 25/38
26 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 3. Kritische Bereiche Kritische Bereiche: (a) Einseitige Fragestellung 1 : T > t 1 α (n 1 + n 2 2) (b) Einseitige Fragestellung 2 : T < t α (n 1 + n 2 2) (c) Zweiseitige Fragestellung : T > t 1 α/2 (n 1 + n 2 2) Bernd Klaus, Verena Zuber Statistische Tests 26/38
27 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 1. Ziel, Hypothesen und Voraussetzungen Teste die Dierenz d := n i=1 d i miteinander gepaarter Stichproben (x 1i, x 2i ) typisches Bsp.: Messen eines Blutwertes vor und nach einer med. Behandlung benötigt eine Normalverteilung der Stichprobe Varianten für die Hypothesen: (a) Einseitige Fragestellung 1 : H 0 : d 0 gegen H 1 : d > 0 (b) Einseitige Fragestellung 2 : H 0 : d 0 gegen H 1 : d < 0 (c) Zweiseitige Fragestellung : H 0 : d = 0 gegen H 1 : d 0 Bernd Klaus, Verena Zuber Statistische Tests 27/38
28 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 2. Teststatistik Teststatistik T = d s n Schätzung der Standardabweichung σ durch: s = [ n i=1 ( d d i ) 2 n 1 ] 0.5 Bernd Klaus, Verena Zuber Statistische Tests 28/38
29 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 3. Kritische Bereiche Kritische Bereiche: (a) Einseitige Fragestellung 1 : T > t 1 α (n 1) (b) Einseitige Fragestellung 2 : T < t α (n 1) (c) Zweiseitige Fragestellung : T > t 1 α/2 (n 1) Bernd Klaus, Verena Zuber Statistische Tests 29/38
30 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 1. Ziel, Hypothesen und Voraussetzungen Teste nicht-parametrisch, ob zwei Population den gleichen Median besitzen. Zu verwenden, wenn Vor. für den t-test nicht erfüllt sind benötigt KEINE konkrete Verteilungsannahme t-test-ersatz Varianten für die Hypothesen: (a) Einseitige Fragestellung 1 : H 0 : x 1,med x 2,med gegen H 1 : x 1,med > x 2,med (b) Einseitige Fragestellung 2 : H 0 : x 1,med x 2,med gegen H 1 : x 1,med < x 2,med (c) Zweiseitige Fragestellung : H 0 : x 1,med = x 2,med gegen H 1 : x 1,med x 2,med Bernd Klaus, Verena Zuber Statistische Tests 30/38
31 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 2. Teststatistik Bilde für sämtlichen Beobachtungen x 11,... x 1n1, x 21,... x 2n2 Ränge rg (x 11 ),... rg (x 1n1 ), rg (x 21 ),... rg (x 2n2 ) Teststatistik n1 R = i=1 rg (x 1i ) Wertebereich: n 1(n1+1) < R < (n 1+n2)(n1+n2+1) n 1(n1+1) Nullverteilung von R liegt tabelliert vor Approximation durch die Normalverteilung ab einer Stichprobengröÿe von ca. 20 möglich Bernd Klaus, Verena Zuber Statistische Tests 31/38
32 I. Einführungsbeispiel t-test - EW einer Population II. Theorie: Statistische Tests t-test - EW zweier Populationen III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen t-test - EW- Test gepaarter Populationen IV. t-test und Wilcoxon-Rangsummen - TestDer in RWilcoxon-Rangsummen - Test 3. Kritische Bereiche Kritische Bereiche: (a) Einseitige Fragestellung 1 : R > w 1 α (n 1, n 2 ) (b) Einseitige Fragestellung 2 : R < w α (n 1, n 2 ) (c) Zweiseitige Fragestellung : R > w 1 α/2 ((n 1, n 2 )) oder R < w α/2 (n 1, n 2 ) Bernd Klaus, Verena Zuber Statistische Tests 32/38
33 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R IV. t-test und Wilcoxon-Rangsummen - Test in R - Praktische Durchführung Bernd Klaus, Verena Zuber Statistische Tests 33/38
34 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R t-test in R t.test(x, y, alternative, paired, var.equal) Erklärung der Parameter x,y = NULL: Die Daten, beim t-test für eine Population genügt es, x anzugeben. alternative = c(two.sided, less, greater): Varianten für die Alternativhypothese var.equal = TRUE: Gibt an, ob Varianzgleichheit bei den Populationen vorliegt paired: Gibt an, ob x und y als gepaarte Stichprobe anzusehen sind Bernd Klaus, Verena Zuber Statistische Tests 34/38
35 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Wilcoxon-Rangsummen - Test in R wilcox.test(x, y, alternative, paired, exact) Erklärung der Parameter Parameter fast wie beim t-test... exact : Soll die Teststatistik exakt bestimmt werden, oder per Approximation an die Normalverteilung? Bernd Klaus, Verena Zuber Statistische Tests 35/38
36 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Beispiel Nettokaltmieten pro m 2 für 1 (X ) und 2-Raum (Y ) Wohnungen Gibt es einen Unterschied zwischen beiden Gruppen? Wir untersuchen diese Frage per Wilcoxon- und t-test X Y X Y Bernd Klaus, Verena Zuber Statistische Tests 36/38
37 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R t-test miete <- read.csv(miete.csv) attach(miete) t.test(x,y, var.equal = FALSE, paired = FALSE) R-Ausgabe: data: X and Y Welch Two Sample t-test t = , df = , p-value = alternative hypothesis: true difference in means is not equal to 0 => p > 0.05, kein signikanter Unterschied Bernd Klaus, Verena Zuber Statistische Tests 37/38
38 I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Wilcoxon-Rangsummen - Test in R wilcox.test(x,y, exact = TRUE) R-Ausgabe: data: X and Y W = 51, p-value = Wilcoxon rank sum test alternative hypothesis: true location shift is not equal to 0 => p > 0.05, kein signikanter Unterschied Bernd Klaus, Verena Zuber Statistische Tests 38/38
Eine 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
Eine 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/
Eine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
Statistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
Biostatistik. 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
Teil 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
Fragestellungen. 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
W-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:
Teil 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
Eine Einführung in R: Deskriptive Statistiken und Graphiken
Eine Einführung in R: Deskriptive Statistiken und Graphiken (basierend auf Vorarbeiten von Verena Zuber und Bernd Klaus) Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität
Eine Einführung in R: Deskriptive Statistiken und Graphiken
Eine Einführung in R: Deskriptive Statistiken und Graphiken Katja Nowick, Lydia Müller und Markus Kreuz Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.bioinf.uni-leipzig.de/teaching/currentclasses/class211.html
Wahrscheinlichkeitsrechnung 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
Statistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
Wahrscheinlichkeitsrechnung 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
Eine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Dezember 2012 Bernd Klaus, Verena Zuber,
Eine Einführung in R: Deskriptive Statistiken und Graphiken
Eine Einführung in R: Deskriptive Statistiken und Graphiken Markus Kreuz, Henry Löer-Wirth, Helene Kretzmer Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig
Eine Einführung in R: Deskriptive Statistiken und Graphiken
Eine Einführung in R: Deskriptive Statistiken und Graphiken Markus Kreuz, Henry Löer-Wirth Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.imise.uni-leipzig.de/institut/weiterbildung/r-kurs/index.jsp
Statistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
14.3 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.
Blockpraktikum 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
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
Statistik 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
Statistik 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:
Vergleich 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
Empirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
Stochastik 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
Vorlesung: 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
Wahrscheinlichkeit 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
2. 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,
Bachelorprüfung: 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!
Teil 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
Klassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Eine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Januar 2009 Bernd Klaus, Verena Zuber Das
Biostatistik, 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
Biostatistik, 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
Konfidenzintervalle 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
5. 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
3 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
7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
Dipl.-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
Hypothesentests 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
Teil VII Hypothesentests für eine Stichprobe
Woche 7: Hypothesentests für eine Stichprobe Teil VII Hypothesentests für eine Stichprobe WBL 15/17, 15.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner Fachhochschule
4.1. 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
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
Klassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
Eine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
Wahrscheinlichkeitsrechnung 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:
BIOMETRIE I - KLINISCHE EPIDEMIOLOGIE
BIOMETRIE I - KLINISCHE EPIDEMIOLOGIE Wintersemester 2003/04 - Übung zur Vorlesung Biometrie I Ein Lösungsvorschlag von Christian Brockly Lösungsvorschlag zur Übung Biometrie I Bei diesem Dokument handelt
Eine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/
Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
Statistik. 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
Fragestellungen. Ist das Gewicht von Männern und Frauen signifiant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu hdl ratio glyhb location age gender height weight frame 82 56 3.60 4.31 Buckingham 46 female 62 121 medium 97 24 6.90 4.44 Buckingham 29 female 64 218 large 92
Statistik 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
Gepaarter 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
2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
Eine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 25. November 2009 Bernd
10 Der statistische Test
10 Der statistische Test 10.1 Was soll ein statistischer Test? 10.2 Nullhypothese und Alternativen 10.3 Fehler 1. und 2. Art 10.4 Parametrische und nichtparametrische Tests 10.1 Was soll ein statistischer
2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
Übung 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
Softwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
Statistik 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
Eine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/
Güteanalyse. 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
Auswertung 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
Gesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
AUFGABEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters eintrat, und zwar lag der Wert bei
Klassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Hypothesentests 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
3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
Mathematik 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
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Januar 2011 1 Der F -Test zum Vergleich zweier Varianzen 2 Beispielhafte Fragestellung Bonferroni-Korrektur
Konfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
Gesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
GRUNDAUFGABEN ZU DEN 1-STICHPROBENVERGLEICHEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters
Bereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
1. 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,
> 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
Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Tests 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
3) 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
Gepaarter 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
Stochastik (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
Statistik 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
Hypothesentests 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
Mathematik 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
Zusammenfassung 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
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Methodenlehre. 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
Einfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
Zweiseitiger 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
Biostatistik, 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
Einführung 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
So berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
Klassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Statistische Tests Version 1.2
Statistische Tests Version 1.2 Uwe Ziegenhagen ziegenhagen@wiwi.hu-berlin.de 7. Dezember 2006 1 Einführung Ein statistischer Test dient der Überprüfung einer statistischen Hypothese. Mithilfe des Tests
Die 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 +... +