t-differenzentest bei verbundener Stichprobe
|
|
- Pia Böhmer
- vor 5 Jahren
- Abrufe
Transkript
1 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche Nächste Anwendung: Vergleich der Mittelwerte zweier normalverteilter Zufallsvariablen Y A und Y B 1 auf derselben Grundgesamtheit durch Beobachtung von Realisationen (x1 A, x1 B ),..., (x, x ) einer (gemeinsamen) einfachen Stichprobe (X1 A, X1 B ),..., (X, X ) zur zweidimensionalen Zufallsvariablen (Y A, Y B ), insbesondere von Realisationen von Y A und Y B für dieselben Elemente der Grundgesamtheit ( verbundene Stichprobe ), auf derselben oder unterschiedlichen Grundgesamtheit(en) durch Beobachtung von Realisationen x1 A,..., x A und x1 B,..., x B zu zwei unabhängigen einfachen Stichproben X1 A,..., X A und X1 B,..., X B (möglicherweise mit ) zu den beiden Zufallsvariablen Y A und Y B. Anwendungsbeispiele für beide Fragestellungen: 1 Vergleich der Montagezeiten zweier unterschiedlicher Montageverfahren auf Grundlage von Zeitmessungen beider Verfahren für dieselbe (Stichproben-)Auswahl vorbeitern. Vergleich der in Eignungstests erreichten Punktzahlen von männlichen und weiblicheewerbern (auf Basis zweier unabhängiger einfacher Stichproben). Schließende Statistik (WS 018/19) Folie Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei verbundenen Stichproben 9.1 t-differenzentest bei verbundener Stichprobe Idee für Mittelwertvergleich bei verbundenen Stichproben: Ein Vergleich der Mittelwerte von Y A und Y B kann anhand des Mittelwerts µ : E(Y ) der Differenz Y : Y A Y B erfolgen, denn mit µ A : E(Y A ) und µ B : E(Y B ) gilt offensichtlich µ µ A µ B und damit: µ < 0 µ A < µ B µ 0 µ A µ B µ > 0 µ A > µ B Mit x1 : x1 A x1 B,..., x n : x x liegt eine Realisation einer einfachen Stichprobe X 1 : X1 A X1 B,..., X n : X X vom Umfang n zu Y Y A Y B vor. Darüberhinaus gilt: Ist (Y A, Y B ) gemeinsam (zweidimensional) normalverteilt, so ist auch die Differenz Y Y A Y B normalverteilt. Es liegt also nahe, die gemeinsame Stichprobe zu (Y A, Y B ) zu einer Stichprobe zu Y Y A Y B zusammenzufassen und den bekannten t-test für den Mittelwert einer (normalverteilten) Zufallsvariablen bei unbekannter Varianz auf der Grundlage der einfachen Stichprobe X 1,..., X n zu Y durchzuführen. Prinzipiell wäre bei bekannter Varianz von Y Y A Y B auch ein entsprechender Gauß-Test durchführbar; Anwendungen hierfür sind aber selten. Schließende Statistik (WS 018/19) Folie 18
2 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei verbundenen Stichproben 9.1 Zusammenfassung: t-differenzentest Anwendungsvoraussetzungen exakt: (Y A, Y B ) gemeinsam (zweidimensional) normalverteilt, E(Y A ) µ A, E(Y B ) µ B sowie Varianzen/Kovarianz unbekannt approx.: E(Y A ) µ A, E(Y B ) µ B, Var(Y A ), Var(Y B ) unbek. (X1 A, X1 B ),..., (X, X ) einfache Stichprobe zu (Y A, Y B ) Nullhypothese H 0 : µ A µ B H 0 : µ A µ B H 0 : µ A µ B Gegenhypothese H 1 : µ A µ B H 1 : µ A > µ B H 1 : µ A < µ B Teststatistik t X S n Verteilung (H 0 ) Benötigte Größen t für µ A µ B (näherungsweise) t(n 1)-verteilt X i Xi A Xi B für i {1,..., n}, X 1 n X i n S 1 ( n n ) (X i X ) n 1 1 Xi nx n 1 Kritischer Bereich (, t n 1;1 α ) (t n 1;1 α, ) (, t n 1;1 α ) zum Niveau α (t n 1;1 α, ) p-wert (1 F t(n 1) ( t )) 1 F t(n 1) (t) F t(n 1) (t) Schließende Statistik (WS 018/19) Folie Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei verbundenen Stichproben 9.1 Beispiel: Montagezeiten von zwei Verfahren Untersuchungsgegenstand: Ist ein neu vorgeschlagenes Montageverfahren besser (im Sinne einer im Mittel kürzereearbeitungsdauer Y B ) als das zur Zeit eingesetzte Montageverfahren (mit Bearbeitungsdauer Y A )? Stichprobeninformation: Zeitmessungen der Montagedauern xi A für Verfahren A und xi B für Verfahre bei denselben n 7 Arbeitern: Arbeiter i x A x B i i Annahme: (Y A, Y B ) gemeinsam normalverteilt, (X1 A, X 1 B),..., (X, X ) einfache Stichprobe zu (Y A, Y B ). Gewünschtes Signifikanzniveau: α 0.05 Geeigneter Test: Exakter t-differenzentest für verbundene Stichproben 1 Hypothesen: H 0 : µ A µ B gegen H 1 : µ A > µ B Teststatistik: t X S n ist unter H0 t(n 1)-verteilt (für µ A µ B ). Schließende Statistik (WS 018/19) Folie 184
3 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei verbundenen Stichproben Kritischer Bereich zum Niveau α 0.05: K (t n 1;1 α, + ) (t 6;0.95, + ) (1.943, + ) 4 Berechnung der realisierten Teststatistik: Arbeiter i xi A xi B x i xi A xi B Mit x x 1 7 i und s 7 1 (x i x) : t x n s Entscheidung: t.7914 (1.943, + ) K H 0 wird abgelehnt! (p-wert: 1 F t(6) (t) 1 F t(6) (.7914) ) Der Test kommt also zur Entscheidung, dass das neue Montageverfahren eine im Mittel signifikant kürzere Montagedauer aufweist. Schließende Statistik (WS 018/19) Folie Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Mittelwertvergleiche bei zwei unabhängigen Stichproben Liegen zwei unabhängige Stichproben X1 A,..., X A und X1 B,..., X B zu jeweils normalverteilten Zufallsvariablen Y A und Y B vor, kann eine Aggregation zu einer einzigen Stichprobe wie beim Vorliegen verbundener Stichproben so nicht durchgeführt werden. Verglichen werden nun nicht mehr Beobachtungspaare, sondern die (getrennt) berechneten Mittelwerte X A und X B der beiden Stichprobenrealisationen zu Y A bzw. Y B. Wir setzen zunächst die Normalverteilungsannahme für Y A und Y B voraus! Die Differenz X A X B ist wegen der Unabhängigkeit der Stichproben dann offensichtlich normalverteilt mit Erwartungswert µ A µ B (für µ A µ B gilt also gerade E(X A X B ) 0) und Varianz Var(X A X B ) Var(X A ) + Var(X B ) σ A + σ B. Sind die beteiligten Varianzen bekannt, kann zum Vergleich von µ A und µ B somit unmittelbar ein exakter Gauß-Test konstruiert werden. Schließende Statistik (WS 018/19) Folie 186
4 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Zusammenfassung: -Stichproben-Gauß-Test bei bekannten Varianzen Anwendungs- exakt: Y A N(µ A, σa), Y B N(µ B, σb), σa, σb bekannt voraussetzungen X1 A,..., X A einfache Stichprobe zu Y A, unabhängig von einfacher Stichprobe X1 B,..., X B zu Y B. Nullhypothese H 0 : µ A µ B H 0 : µ A µ B H 0 : µ A µ B Gegenhypothese H 1 : µ A µ B H 1 : µ A > µ B H 1 : µ A < µ B σ A Teststatistik N X A X B Verteilung (H 0 ) + σ B N für µ A µ B N(0, 1)-verteilt Benötigte Größen X A 1 na Xi A, X B 1 nb Xi B Kritischer Bereich (, N 1 α ) (N 1 α, ) (, N 1 α ) zum Niveau α (N 1 α, ) p-wert (1 Φ( N )) 1 Φ(N) Φ(N) Schließende Statistik (WS 018/19) Folie Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Sind die Varianzen σa und σ B unbekannt, so ist zu unterscheiden, ob man wenigstens σa σ B annehmen kann oder nicht. Im Fall übereinstimmender Varianzen σa σ B wird diese mit Hilfe eines gewichteten Mittelwerts S der Stichprobenvarianzen S Y A 1 1 in der Form (X A i X A ) und S Y B 1 1 j1 (X B j X B ) S ( 1)S Y A + ( 1)S Y B + na (X i A X A ) + j1 (X j B X B ) + geschätzt, ein exakter t-test ist damit konstruierbar. Für erhält man die einfachere Darstellung S S Y A + S Y B. Schließende Statistik (WS 018/19) Folie 188
5 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Zusammenfassung: -Stichproben-t-Test bei unbekannten, aber übereinstimmenden Varianzen Anwendungsvoraussetzungen exakt: Y A N(µ A, σa), Y B N(µ B, σb), µ A, µ B, σa σb unbek. approx.: E(Y A ) µ A, E(Y B ) µ B, Var(Y A ) Var(Y B ) unbekannt X1 A,..., X A einfache Stichprobe zu Y A, unabhängig von einfacher Stichprobe X1 B,..., X B zu Y B. Nullhypothese H 0 : µ A µ B H 0 : µ A µ B H 0 : µ A µ B Gegenhypothese H 1 : µ A µ B H 1 : µ A > µ B H 1 : µ A < µ B Teststatistik t X A X B X A X B na S + Verteilung (H 0 ) S + S Benötigte Größen X A 1 na i, X B 1 ( 1)S S Y A +( 1)S Y B + t für µ A µ B (näherungsweise) t( + )-verteilt X A nb Xi B, na (X i A X A ) + + (X i B X B ) Kritischer Bereich (, t na + ;1 α ) (t + ;1 α, ) (, t na + ;1 α) zum Niveau α (t na + ;1 α, ) p-wert (1 F t(na + )( t )) 1 F t(na + )(t) F t(na + )(t) Schließende Statistik (WS 018/19) Folie Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Beispiel: Absatzwirkung einer Werbeaktion Untersuchungsgegenstand: Hat eine spezielle Sonderwerbeaktion positiven Einfluss auf den mittlerebsatz? Stichprobeninformation: Messung der prozentualebsatzänderungen x1 A,..., x 10 A in 10 Supermärkten ohne Sonderwerbeaktion und x1 B,..., x 5 B in 5 Supermärkten mit Sonderwerbeaktion. Annahme: Für prozentuale Absatzänderungen Y A ohne bzw. Y B mit Sonderwerbeaktion gilt Y A N(µ A, σa ), Y B N(µ B, σb ), µ A, µ B, σa σ B unbekannt, X1 A,..., X 10 A einfache Stichprobe zu Y A, unabhängig von einfacher Stichprobe X1 B,..., X 5 B zu Y B. (Zwischen-)Ergebnisse aus Stichprobenrealisation: x A 6.5, x B 8, s Y 0.5, s A Y 3.04 B ( 1)s + (n Y s A B 1)s Y B Gewünschtes Signifikanzniveau: α 0.05 Geeigneter Test: -Stichproben-t-Test bei übereinstimmenden, aber unbekannten Varianzen Schließende Statistik (WS 018/19) Folie 190
6 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. 1 Hypothesen: H 0 : µ A µ B gegen H 1 : µ A < µ B Teststatistik: t X A X B na ist unter H 0 t( + )-verteilt (für µ A µ B ). S + 3 Kritischer Bereich zum Niveau α 0.05: K (, t na + ;1 α) (, t 13;0.95 ) (, 1.771) 4 Berechnung der realisierten Teststatistik: t x A x B na s Entscheidung: t / (, 1.771) K H 0 wird nicht abgelehnt! (p-wert: F t(13) (t) F t(13) ( ) 0.807) Der Test kommt also zur Entscheidung, dass eine positive Auswirkung der Sonderwerbeaktion auf die mittlere prozentuale Absatzänderung nicht bestätigt werden kann. Schließende Statistik (WS 018/19) Folie Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Sonderfall: Vergleich vonteilswerten Ein Sonderfall des (approximativen) -Stichproben-t-Test bei unbekannten, aber übereinstimmenden Varianzen liegt vor, wenn zwei Anteilswerte miteinander verglichen werden sollen. Es gelte also speziell Y A B(1, p A ) und Y B B(1, p B ) für p A (0, 1) und p B (0, 1), außerdem seien X1 A,..., X A sowie X1 B,..., X B unabhängige einfache Stichproben vom Umfang zu Y A bzw. vom Umfang zu Y B. Zur Überprüfung stehen die Hypothesenpaare: H 0 : p A p B H 0 : p A p B H 0 : p A p B gegen H 1 : p A p B H 1 : p A > p B H 1 : p A < p B Für die Varianzen von Y A und Y B gilt bekanntlich Var(Y A ) p A (1 p A ) bzw. Var(Y B ) p B (1 p B ), d.h. die Varianzen sind zwar unbekannt, unter H 0 genauer für p A p B jedoch gleich. Mit den üblichen Schreibweisen p A : 1 na X i A bzw. p B : 1 erhält man für S ibhängigkeit von p A und p B die Darstellung: S p A (1 p A ) + p B (1 p B ) + nb X i B Approximation vernünftig, falls 5 p A 5 und 5 p B 5. Schließende Statistik (WS 018/19) Folie 19
7 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Zusammenfassung: -Stichproben-t-Test für Anteilswerte Anwendungs- approx.: Y A B(1, p A ), Y B B(1, p B ), p A, p B unbekannt voraussetzungen X1 A,..., X A einfache Stichprobe zu Y A, unabhängig von einfacher Stichprobe X1 B,..., X B zu Y B. Nullhypothese H 0 : p A p B H 0 : p A p B H 0 : p A p B Gegenhypothese H 1 : p A p B H 1 : p A > p B H 1 : p A < p B Teststatistik t p A p B p A p B na S + Verteilung (H 0 ) Benötigte Größen p A 1 S + S t für p A p B näherungsweise t( + )-verteilt (Näherung ok, falls 5 p A 5 und 5 p B 5) S na Xi A, p B 1 nb Xi B, p A (1 p A )+ p B (1 p B ) + Kritischer Bereich (, t na + ;1 α ) (t + ;1 α, ) (, t na + ;1 α) zum Niveau α (t na + ;1 α, ) p-wert (1 F t(na + )( t )) 1 F t(na + )(t) F t(na + )(t) Schließende Statistik (WS 018/19) Folie Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Beispiel: Vergleich von zwei Fehlerquoten mit approximativem -Stichproben-t-Test für Anteilswerte Untersuchungsgegenstand: Vergleich von Fehlerquoten zweier Sortiermaschinen Für einen automatisierten Sortiervorgang werden eine günstige (A) sowie eine hochpreisige Maschine (B) angeboten. Es soll anhand von (unabhängigen) Testläufen mit jeweils 1000 Sortiervorgängen überprüft werden, ob die Fehlerquote p A bei der günstigen Maschine A höher ist als die Fehlerquote p B der hochpreisigen Maschine B. Resultat der Testläufe soll jeweils als Realisation einer einfachen Stichprobe aufgefasst werden können. Stichprobeninformation: Bei Maschine A traten 9 Fehler auf, bei Maschine B 1 Fehler. (Zwischen-) Ergebnisse aus Stichprobenrealisation: p A , p B , s (1 0.09) (1 0.01) Gewünschtes Signifikanzniveau α Schließende Statistik (WS 018/19) Folie 194
8 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. 1 Hypothesen: H 0 : p A p B gegen H 1 : p A > p B Teststatistik: t p A p B na ist unter H 0 näherungsweise t( + )-verteilt S + (für p A p B ). Näherung ok, da und Kritischer Bereich zum Niveau α 0.05: K (t na + ;1 α, + ) (t 1998;0.95, + ) (1.646, + ) 4 Berechnung der realisierten Teststatistik: t p A p B na s Entscheidung: t / (1.646, + ) K H 0 wird nicht abgelehnt! (p-wert: 1 F t(1998) (t) 1 F t(1998) (1.145) ) Der Test kommt also zum Ergebnis, dass eine höhere Fehlerquote der günstigen Maschine nicht bestätigt werden kann. Schließende Statistik (WS 018/19) Folie Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei zwei unabhängigen Stichproben 9. Approximativer -Stichproben-Gauß-Test für Mittelwertvergleiche, wenn Gleichheit der Varianzen ungewiss Kann in der Situation des exakten -Stichproben-t-Test (Y A und Y B sind normalverteilt mit unbekannten Varianzen) auch unter H 0 keine Gleichheit der Varianzen vorausgesetzt werden, müssen andere Testverfahren verwendet werden, z.b. der Welch-Test (hier nicht besprochen). Als approximativer Test lässt sich (zumindest bei hinreichend großen Stichprobenumfängen, Daumenregel n A > 30 und > 30) auch eine leichte Modifikation des -Stichproben-Gauß-Tests aus Folie 187 verwenden. Anstelle der (dort als bekannt vorausgesetzten) Varianzen σa und σ B sind die erwartungstreuen Schätzfunktionen S Y und S A Y einzusetzen und der Test B als approximativer Test durchzuführen. Die Teststatistik nimmt damit die Gestalt N X A X B S Y A + S Y B an und ist unter H 0 näherungsweise standardnormalverteilt. Schließende Statistik (WS 018/19) Folie 196
Varianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
MehrBeispiel 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 =
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 +... +
Mehr2 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
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Sommersemester Namensschild. Dr.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Sommersemester 2013 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Kleben Sie bitte sofort Ihr Namensschild
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
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrInterpretation von Testergebnissen I
2 Wiederholung statistischer Grundlagen Schließende Statistik 2.3 Interpretation von Testergebnissen I Durch die Asymmetrie in den Fehlerwahrscheinlichkeiten 1. und 2. Art ist Vorsicht bei der Interpretation
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
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)
MehrAufgabenstellung und Ergebnisse zur. Bachelor-Prüfung Schließende Statistik Wintersemester 2017/18. Dr. Martin Becker
Aufgabenstellung und Ergebnisse zur Bachelor-Prüfung Schließende Statistik Wintersemester 2017/18 Dr. Martin Becker Hinweise für die Klausurteilnehmer Die Klausur besteht aus insgesamt 9 Aufgaben. Prüfen
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
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,
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
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: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrWIRTSCHAFTSWISSENSCHAFTLICHES PRÜFUNGSSEKRETARIAT
WIRTSCHAFTSWISSENSCHAFTLICHES PRÜFUNGSSEKRETARIAT ER NIVERSITÄT ES AARLANDES Von der/dem Studierenden auszufüllen (Bitte leserlich und in Blockschrift): Schließende Statistik Name der Prüfung: Semester,
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
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. 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 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:
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
MehrStatistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik
Statistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik 1. I Ein Personalchef führt so lange Vorstellungsgespräche durch bis der erste geeignete Bewerber darunter ist und stellt diesen an.
MehrMathematik 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
Mehr7. 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
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
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:
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Aufgabenstellung und Ergebnisse
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2010 Aufgabenstellung und Ergebnisse Prof. Dr. Ralph Friedmann / Dr. Martin Becker Hinweise für die Klausurteilnehmer
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)
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
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Namensschild
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2010 Namensschild Prof. Dr. Ralph Friedmann / Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
MehrPrüfung. Wahrscheinlichkeit und Statistik. ETH Zürich HS 2015 Prof. Dr. P. Embrechts Januar Nachname. Vorname. Legi Nummer
ETH Zürich HS 25 Prof. Dr. P. Embrechts Januar 26 Prüfung Wahrscheinlichkeit und Statistik BSc INFK Nachname Vorname Legi Nummer Das Folgende bitte nicht ausfüllen! Aufgabe Max. Punkte Summe Kontrolle
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
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
MehrWIRTSCHAFTSWISSENSCHAFTLICHES PRÜFUNGSSEKRETARIAT DER RECHTS- UND WIRTSCHAFTSWISSENSCHAFTLICHEN FAKULTÄT DER UNIVERSITÄT DES SAARLANDES
WIRTSCHAFTSWISSENSCHAFTLICHES PRÜFUNGSSEKRETARIAT DER RECHTS- UND WIRTSCHAFTSWISSENSCHAFTLICHEN FAKULTÄT DER UNIVERSITÄT DES SAARLANDES Von der/dem Studierenden auszufüllen (Bitte leserlich und in Blockschrift):
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
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
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
MehrSo 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
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
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
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrEinfaktorielle 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
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
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
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 15 009 FernUniversität in Hagen Alle Rechte vorbehalten Fachbereich Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
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
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
MehrKategoriale und metrische Daten
Kategoriale und metrische Daten Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/14 Übersicht Abhängig von der Anzahl der Ausprägung der kategorialen Variablen unterscheidet man die folgenden Szenarien:
MehrStatistik II für Betriebswirte Vorlesung 2
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
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
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Wintersemester 2012/13. Namensschild. Dr.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Wintersemester 2012/13 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Kleben Sie bitte sofort Ihr Namensschild
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
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,
MehrKonfidenzintervalle. 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
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
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrLiegen 2 Beobachtungen an n Objekten vor, spricht man von einer gebundenen Stichprobe Typische Struktur bei "stimulus-response" Versuchen
Mittelwertsvergleich bei gebundenen Stichproben Liegen Beobachtungen an n Objekten vor, spricht man von einer gebundenen Stichprobe Typische Struktur bei "stimulus-response" Versuchen Obj.1 Obj.... Obj.n
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
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
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine Universität Düsseldorf 13. Januar 2010 Termine Letzte Vorlesung am 28.01.2010 Letzte Übung am 27.01.2010, und zwar für alle Anfangsbuchstaben
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:............................................................................
MehrVergleich von Parametern zweier Stichproben
Vergleich von Parametern zweier Stichproben Vergleich von Mittelwerten bei gebundenen Stichproben Vergleich von Mittelwerten bei unabhängigen Stichproben Vergleich von Varianzen bei unabhängigen Stichproben
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
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
MehrWIRTSCHAFTSWISSENSCHAFTLICHES PRÜFUNGSSEKRETARIAT
WIRTSCHAFTSWISSENSCHAFTLICHES PRÜFUNGSSEKRETARIAT ER NIVERSITÄT ES AARLANDES Von der/dem Studierenden auszufüllen (Bitte leserlich und in Blockschrift): Schließende Statistik Name der Prüfung: Semester,
MehrVorlesung 12a. Kann das Zufall sein? Beispiele von statistischen Tests
Vorlesung 12a Kann das Zufall sein? Beispiele von statistischen Tests 1 Beispiel 1: Passen die Verhältnisse in den Rahmen? Fishers exakter Test (vgl. Buch S. 130/131 2 Sir Ronald Fisher 1890-1962 3 Aus
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2010 1 Tests für Erwartungswerte Teststatistik Gauß-Test Zusammenhang zu Konfidenzintervallen t-test
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
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 25. Januar 2013 1 Der χ 2 -Anpassungstest 2 Exakter Test nach Fisher Mendelsche Erbregeln als Beispiel für mehr
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrPrüfung. Wahrscheinlichkeit und Statistik. ETH Zürich SS 2016 Prof. Dr. P. Embrechts August BSc INFK. Nachname. Vorname.
ETH Zürich SS 2016 Prof. Dr. P. Embrechts August 2016 Prüfung Wahrscheinlichkeit und Statistik BSc INFK Nachname Vorname Legi Nummer Das Folgende bitte nicht ausfüllen! Aufgabe Max. Punkte Summe Kontrolle
MehrBiostatistik, WS 2013/2014 Konfidenzintervalle
1/41 Biostatistik, WS 2013/2014 Konfidenzintervalle Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 17.1.2014 Beispiel: Carapaxlänge des Springkrebses 4/41 Beispiel: Springkrebs
MehrNachklausur zur Vorlesung. Statistik für Studierende der Biologie
Institut für Mathematische Stochastik WS 1999/2000 Universität Karlsruhe 11. Mai 2000 Dr. Bernhard Klar Nachklausur zur Vorlesung Statistik für Studierende der Biologie Bearbeitungszeit: 90 Minuten Name:
Mehr