Empirische Softwaretechnik Grundlagen der Statistik
|
|
- Henriette Steinmann
- vor 7 Jahren
- Abrufe
Transkript
1 Emprsche Softwaretechnk Dr. Vctor Pankratus Andreas Höfer Wntersemester 2009/2010 IPD Tchy, Fakultät für Informatk KIT de Kooperaton von Forschungszentrum Karlsruhe GmbH und Unverstät Karlsruhe (TH)
2 Das Problem: Fragestellung Korrelaton Stegt der Wert ener Varablen, wenn der ener anderen anstegt? z.b. Ausbldung und Enkommen Snkt der Wert ener Varablen, wenn der ener anderen anstegt? Z.B. SW-Qualtät und Vererbungstefe We kann man de Stärke enes solchen Zusammenhangs numersch beschreben? Dskusson später: Gbt es auch enen kausalen Zusammenhang? Emprsche Softwaretechnk Wntersemester 2009/2010
3 Lebenserwartung (Männer) Enführende Bespele - Streudagramme (engl. Scatterplot) Lebenserwartung Fgure und 9.2 Gesundhetsausgaben Lfe Expectancy and Health Care Costs Quelle: [Howell 1999] Gesundhetsausgaben Health Care Expendtures (Europa) Korrelaton r = 0,14 ncht statstsch sgnfkant Emprsche Softwaretechnk Wntersemester 2009/2010
4 Breast Cancer Rate Burstkrebsrate Enführende Bespele Brustkrebs und Sonnenbaden Fgure Cancer Rate and Solar Radaton Quelle: [Howell 1999] Solar Radaton Sonnenbestrahlung Korrelaton r = -0, Emprsche Softwaretechnk Wntersemester 2009/2010
5 EXKURS IN DIE STATISTIK: - Korrelaton - Regresson - Tests Emprsche Softwaretechnk Wntersemester 2009/2010
6 Skalentypen Nomnalskala Merkmalsausprägungen blden kene Rehenfolge Bespel: Relgon, Geschlecht, Farbe Ordnalskala Rangordnung mt größer als Bezehung, aber Abstände zwschen Merkmalsausprägungen ncht quantfzerbar Bespel: Noten, Güteklassen, Rangplätze Intervallskala Egenschaften we Ordnalskala, aber zusätzlch auch Abstände zwschen Merkmalsausprägungen wchtg; Nullpunkt wllkürlch; Quotenten dürfen aber ncht gebldet werden Bespel: Temperatur n C (snnlos: 20 C doppelt so warm we 10 C ) Verhältnsskala Egenschaften we Intervallskala, aber absoluter Nullpunkt. Bespele: Körpergröße, Alter, Enkommen Emprsche Softwaretechnk Wntersemester 2009/2010
7 Korrelaton Allgemen: Gbt es ene stochastsche Abhänggket (Korrelaton) zwschen den Zufallsvarablen X und Y? Z.B. X = Vererbungstefe, Y = Wartungsdauer Korrelatonsanalyse untersucht Korrelaton anhand von Stchproben Benutzt Korrelatonskoeffzenten zum Testen der (Null-) Hypothese X und Y snd unabhängg Wr befassen uns m Folgenden mt verhältnsskalerten Daten Emprsche Softwaretechnk Wntersemester 2009/2010
8 Zur Ernnerung: Varanz und Kovaranz Se E(X) der Erwartungswert ener Zufallsvarablen X Streuungsmaße Varanz: var X E X E(X) 2 Standardabwechung: X s X var X Kovaranz: cov X, Y E X E X Y E Y d.h. Varanz auch: cov X, X Var(x) Emprsche Softwaretechnk Wntersemester 2009/2010
9 Varanz und Kovaranz (Forts.) Es glt: var X Y cov( X Y, X Y ) E X Y E X Y X Y E X Y s. Tafel var X Y var X var Y 2 cov X, Y De Kovaranz st also en Ausglechsterm bezüglch der Addtvtät der Varanz Emprsche Softwaretechnk Wntersemester 2009/2010
10 Kovaranz cov X, Y E X E X Y E Y Der maxmale Wert von cov(x, Y) st das Produkt der Standardabwechungen von X und Y. Damt Normeren! Emprsche Softwaretechnk Wntersemester 2009/2010
11 Pearsons Korrelatonskoeffzenten 1. Defnton: de folgende Kennzahl zu den Zufallsvarablen X und Y es glt: r : var cov X X, Y var Y ; 1 r 1 wenn r = 0 st, dann heßen X und Y unkorrelert snd X und Y unabhängg, dann st r = 0 de Umkehrung glt ncht (Bespel n [Kreyszg 1998, S. 308]) Emprsche Softwaretechnk Wntersemester 2009/2010
12 Pearsons Korrelatonskoeffzenten 2. Defnton: der aus der konkreten Stchprobe ermttelte Wert dabe st... R : s s x xy s y mt s xy 1 n 1 x x y y Emprsche Softwaretechnk Wntersemester 2009/2010
13 Pearsons 2. Koeffzent (Forts.) x... und der Stchproben-Mttelwert x x 1 x 2 n... x n... sowe de Stchproben-Varanz s 2 s x 1 n x (x x) Emprsche Softwaretechnk Wntersemester 2009/2010
14 Pearsons 2. Koeffzent (Forts.) R wrd als emprscher Korrelatonskoeffzent bezechnet R st ene Schätzung für r, de aus der Stchprobe berechnet wrd Her ncht besprochen: Schätzer haben BLUE Egenschaft (Best Lnear Unbased Estmator) Emprsche Softwaretechnk Wntersemester 2009/2010
15 Regressonsanalyse Allgemenes Modell der lnearen Regresson [vgl. Fahrmer84] yˆ b b x b x b p x p e y st de sog. abhängge Varable (beobachtbar, metrsch skalert) x 1 x p snd de sog. unabhänggen Varablen (kontrollert varert) b mt j = 0 p snd unbekannte Modellparameter, de ermttelt werden sollen (fester Parametervektor) e st Fehlervarable; Wert deser Zufallsvarable ncht beobachtbar Für p = 1 sprcht man von lnearer Enfachregresson Emprsche Softwaretechnk Wntersemester 2009/2010
16 Regressonsanalyse Für x nj, y n als n-te boebachtete Werte von x j, y und e n als zugehörgen ncht beobachteten Fehler ergbt sch: y ˆ b x b x n 1 2 n1 3 n 2 b... b p x np e n Wchtge Annahmen e st normalvertelt Erwartungswert E(e) = 0 Var(e n ) = 2 ( 2 st weterer. A. unbekannter Modellparameter) Alle Fehlervarablen e n haben gleche Varanz 2. Dese Egenschaft wrd als Homoskedastztaet bezechnet cov(e m, e n ) = 0, m n Unkorrelerthet der Fehlervarablen Emprsche Softwaretechnk Wntersemester 2009/2010
17 Regressonsanalyse Im Folgenden Betrachtung für p = 1: yˆ b b 1 2 x Emprsche Softwaretechnk Wntersemester 2009/2010
18 Regressonsanalyse y Tatsächlcher Punkt y ŷ Resduum (Fehler) e = y ŷ ŷ = b 1 + b 2 x Durch Modell geschätzter Punkt x x Emprsche Softwaretechnk Wntersemester 2009/2010
19 Regressonsanalyse Klenster Quadrate Methode y Mnmere Flächensumme deser Abwechungsquadrate (SAQ) Tatsächlcher Punkt y ŷ ŷ = b 1 + b 2 x Durch Modell geschätzter Punkt x x Emprsche Softwaretechnk Wntersemester 2009/2010
20 Regressonsgerade Gesucht st de Gerade y = b 1 + b 2 x zu der de Datenpunkte (x 1, y 1 )... (x n, y n ) aus der Stchprobe enen mnmalen Abstand haben D.h. mnmere SAQ(b 1,b2 ) N 1 ( y yˆ ) 2 N 1 ( y b 1 b 2 x ) 2 Was snd de Varablen? x, y snd de beobachteten Größen, b 1, b 2 snd de Veränderlchen Emprsche Softwaretechnk Wntersemester 2009/2010
21 Regressonsgerade Setze de beden ersten partellen Abletungen = 0 SAQ(b 1,b2 ) N 1 ( y 2 b1 b2 x ) SAQ(b 1,b2 ) SAQ(b 1,b2 ) b 1 b 2 0 mt SAQ(b b 1 SAQ(b b 2 1 1,b,b 2 2 ) ) 2 2 N 1 N 1 ( y x ( y b 1 b 1 b 2 x b 2 ) x ) Emprsche Softwaretechnk Wntersemester 2009/2010
22 Regressonsgerade Daraus (vgl. Tafel) ergbt sch das zu lösende Glechungssystem N N N N N y x x b x b y x b b n Emprsche Softwaretechnk Wntersemester 2009/2010
23 Regressonsgerade Auflösen nach b 1, b 2 (vgl. Tafel): b1 y b2 x b 2 N x 1 N 1 x y 2 n n x x 2 y Verzcht auf weteren Bewes, dass her tatsächlch Mnmum vorlegt Emprsche Softwaretechnk Wntersemester 2009/2010
24 Regressonsanalyse y De Regressonsgerade verläuft durch den Schwerpunkt (x,y) der Punktwolke (ohne Bewes). Tatsächlcher Punkt ŷ = b 1 + b 2 x y ŷ y Resduum (Fehler) e = y ŷ Durch Modell geschätzter Punkt Durch Modell ncht erklärte Abwechung (SQR) ŷ - y Durch Modell erklärte Abwechung (SQE) Emprsche Softwaretechnk Wntersemester 2009/2010 x x
25 Regressonsgerade und Korrelaton Maß für de von der Regressonsfunkton geleferte Erklärung; Güte des Regressonsansatzes Bestmmthetsmaß r 2 SQE SQT 1 N N 1 ( yˆ ( y y) y) 2 2 SQT Quadratsumme der zu erklärenden Abwechungen = SQE + SQR 0 kene Erklärung 1 vollständge Erklärung Verwandtschaft: 2 r Kann als der emprsche Korrelatonskoeffzent aufgefasst werden. Defntonsgemäß hat er das Vorzechen der Stegung der Regressonsgeraden Emprsche Softwaretechnk Wntersemester 2009/2010
26 Höhe der Queckslbersäule [mm] Ausblck: Ncht-lneare Regresson Lneare Regresson funktonert her ncht Temperatur [ C] Emprsche Softwaretechnk Wntersemester 2009/2010
27 Höhe der Queckslbersäule [mm] Ausblck: Ncht-lneare Regresson y e x/50,23 0,64 7,73 Ene nchtlneare Funkton passt besser Temperatur [ C] Emprsche Softwaretechnk Wntersemester 2009/2010
28 Wetere Untersuchungen be der Regresson Bestzen de Varablen überhaupt enen sgnfkanten Enfluss, d.h., tragen se zur Erklärung der Varaton der Zelvarablen be? Dazu muss de Fehlervaranz geschätzt und statstsche Tests durchgeführt werden Varablenselekton Zu vele zu erklärende Varablen können dazu führen, dass de Schätzer für b schlechter werden Emprsche Softwaretechnk Wntersemester 2009/2010
29 Schätzverfahren allgemen Von enem Stchprobenergebns ausgehend sollen de unbekannten Parameter ener Grundgesamthet geschätzt werden Punkteschätzung: Für den zu schätzenden Parameter wrd aufgrund ener Stchprobe en enzger Schätzwert angegeben. Bespel: Für das unbekannte arthmetsche Mttel µ ener Grundgesamthet wrd das arthmetsche Mttel x der Stchprobe verwendet. x wrd als konkrete Realsaton ener Zufallsvarablen nterpretert; X wrd als Schätzfunkton für µ benutzt. Intervallschätzung: Ausgehend von ener Stchprobe wrd en Konfdenzntervall (Vertrauensberech) angegeben, n dem der zu schätzende Parameter der Grundgesamthet mt ener bestmmten Wahrschenlchket legt. X Emprsche Softwaretechnk Wntersemester 2009/2010
30 Schätzverfahren allgemen Verfahren zur Konstrukton von Schätzfunktonen Maxmum-Lkelhood-Methode Prnzp: Bester Schätzwert maxmert Lkelhood-Funkton Dazu später mehr Schätzer sollten folgende Egenschaften haben Erwartungstreue: Der Erwartungswert stmmt mt dem wahren Parameter überen (m Bsp. mt arthmetschen Mttel: E ( X ) µ ) Effzenz: Wähle de Schätzfunkton mt der klensten Varanz Konsstenz: Für Stchprobenumfang schätzendem Parameter zusammen fällt Schätzwert mt zu Suffzenz: Sämtlche Informatonen über den zu schätzenden Parameter, de de Stchprobe enthält, werden ausgeschöpft Emprsche Softwaretechnk Wntersemester 2009/2010
31 Testverfahren We kann man mt Hlfe von Zufallsstchproben prüfen, ob bestmmte Hypothesen rchtg oder falsch snd? Dabe unterschedet man zwschen 2 Arten von Hypothesen: Parameterhypothesen: Hypothesen über unbekannte Parameter ener Grundgesamthet Überprüfung mt Parametertests (Hnwes: Wchtge Unterschedung zw. parametrsch und ncht-parametrsch) Vertelungshypothesen: Hypothesen über de unbekannte Vertelungsform ener Grundgesamthet Überprüfung mt Vertelungstests (z.b. Ch-Quadrat-Anpassungstest, Kolmogorov-Smrnov-Anpassungstest) Emprsche Softwaretechnk Wntersemester 2009/2010
32 Testverfahren Typsches Vorgehen 1. Aufstellung von Nullhypothese H 0 und Alternatvhypothese H A Festlegung des Sgnfkanznveaus p = α (d.h. de Wahrschenlchket, mt der H 0 verworfen wrd, obwohl se wahr st) 2. Festlegung ener geegneten Prüfgröße und Bestmmung der Testvertelung be Gültgket der Nullhypothese 3. Bestmmung des krtschen Berechs (Ablehnungsbrech für H 0 ) 4. Berechnung des Wertes der Prüfgröße (sog. Teststatstk) 5. Entschedung und Interpretaton [vgl. Bleymüller et al.] Emprsche Softwaretechnk Wntersemester 2009/2010
33 Hypothesentests - Vokabular 1/2 Forschungshypothese: De Annahme, de m Experment überprüft werden soll. Nullhypothese H 0 : De Hypothese, de durch en statstsches Verfahren getestet wrd; üblcherwese das Gegentel der Forschungshypothese. Alternatvhypothese H A : De Hypothese, de akzeptert wrd, wenn H 0 verworfen wrd; üblcherwese de Forschungshypothese Emprsche Softwaretechnk Wntersemester 2009/2010
34 Hypothesentests - Vokabular 2/2 Sgnfkanznveau: De Wahrschenlchket, mt der H 0 verworfen wrd, obwohl se wahr st. Ablehnungsberech: Ergebnsberech enes Experments, der zur Ablehnung von H 0 führt. Annahmeberech: Ergebnsberech enes Experments, der zur Annahme von H 0 führt. Krtscher Wert c: En Wert, der den Annahmeberech vom Ablehnungsberech trennt Emprsche Softwaretechnk Wntersemester 2009/2010
35 Ablehnungsberech Formulerung der Hypothese defnert Ablehnungsberech Ensetger Test: En enzger krtscher Wert c Ablehnungsberech st en enzger zusammenhängender Berech. Zwesetger Test: Zwe krtsche Werte c 1 und c 2. Gesamter Ablehnungsberech besteht aus zwe Berechen Emprsche Softwaretechnk Wntersemester 2009/2010
36 Ablehnungsberech Bespel Fabrkant behauptet, Ausschussantel sener Leferung wäre höchstens 10 % Nullhypothese H 0 : t <= 0,1 Abnehmer formulert Alternatvhypothese Ensetge Fragestellung (Überprüfung durch ensetgen Test ) H A : t > 0,1 (Ausschussantel größer als 10 %) Fabrkant behauptet, Ausschussantel sener Leferung wäre 10 % Nullhypothese H 0 : t = 0,1 Abnehmer formulert Alternatvhypothese Zwesetge Fragestellung (Überprüfung durch zwesetgen Test ) H A : t 0,1 (Ausschussantel unglech 10 %, d.h, entweder t < 0,1 oder t > 0,1) Emprsche Softwaretechnk Wntersemester 2009/2010
37 Ablehnungsberech Bespel: Fabrkant Nullhypothese H 0 : t 0 <= 0,1; Abnehmer formulert H A : t > t 0 = 0,1 (Ausschussantel größer als 10%). Normalvertelungsannahme mt µ = 0,1; σ = 0,03; Sgnfkanznveau α = 0,05. 1-α = 0,95 α = 0,05 0 0,10 0,15 0,20 p c = 0,149 Ausschussantel 0 z c = 1,645 3 Prüfgröße: Aus Ausschussantel P standardserte Zufallsvarable Z H 0 annehmen H 0 ablehnen Krtscher Berech Emprsche Softwaretechnk Wntersemester 2009/2010
38 Annahme- und Ablehnungsberech P( X c) 0 rechtssetg H 0 : μ A μ 0 H A : μ A > μ 0 lnkssetg H 0 : μ A μ 0 H A : μ A < μ 0 Annahmeberech P( X c) 0 Ablehnungsberech Annahmeberech α μ 0 c μ 0 Ablehnungsberech c α P( X c1 ) P( X c ) zwesetg Ablehnungsberech H 0 : μ A = μ 0 H A : μ A μ 0 α/2 c 1 μ 0 Annahmeberech Ablehnungsberech c 2 α/ Emprsche Softwaretechnk Wntersemester 2009/2010
39 Fehlerarten bem Hypothesentest De Ablehnung von H 0 kann entweder de rchtge oder de falsche Entschedung sen. Wenn H 0 trfft ncht zu wahr st, dann trfft man de rchtge Entschedung. Wenn H 0 trfft zu wahr st, trfft man de falsche Entschedung. Analog zwe Möglchketen m Falle der Annahme von H 0 Intutves Bespel Feueralarm trfft be der Feuerwehr en; soll en Ensatz begnnen? Es könnte en Fehlalarm sen. Es brennt tatsächlch 2 Möglchketen: Feuerwehr rückt aus oder ncht Es brennt ncht 2 Möglchketen: Feuerwehr rückt aus oder ncht Welche Art von Fehler würde man bevorzugen? Emprsche Softwaretechnk Wntersemester 2009/2010
40 Entschedung Fehlerarten bem Hypothesentest Fehler 1. Art: H 0 wrd ablehnen, obwohl se wahr st (p = α). (Zur Ernnerung: Sgnfkanznveau α: De Wahrschenlchket, mt der H 0 abgelehnt wrd, obwohl se wahr st.) Unbekannte Realtät H 0 wahr H 0 falsch Fehler 2. Art: H 0 wrd angenommen, obwohl se falsch st (p = β). H 0 ablehnen α 1 - β H 0 annehmen 1 - α β Emprsche Softwaretechnk Wntersemester 2009/2010
41 Fehler 1. und 2. Art H 0 H A β α μ 0 c μ A H 0 annehmen H 0 ablehnen Emprsche Softwaretechnk Wntersemester 2009/2010 Wenn H0 falsch, glt de Vertelung von H1
42 p-wert Alternatve zur Vorgehenswese bem Testen mt Bestmmung ener Prüfgröße und deren Verglech mt enem krtschen Wert (Schrtt 4) Idee: Vergleche sog. p-wert drekt mt Sgnfkanznveau α p-wert gbt de Wahrschenlchket an, unter H 0 den beobachteten Prüfgrößenwert oder enen n Rchtung der Alternatve extremeren Wert zu erhalten Lehne H 0 ab, wenn p-wert klener st als α α p z 1- z Emprsche Softwaretechnk Wntersemester 2009/2010
43 P-Wert Wenn p-wert sehr klen st, s es unter H 0 sehr unwahrschenlch, desen Prüfgrößenwert zu beobachten. Das sprcht eher dafür, dass H 0 ncht zutrfft. α p z 1- z Emprsche Softwaretechnk Wntersemester 2009/2010
44 Güte Güte/Macht/Trennschärfe enes Tests: 1-ß Interpretert als de Wahrschenlchket, de Alternatve anzunehmen, wenn se stmmt. 1-ß: Wahrschenlchket, kenen Fehler 2. Art zu begehen Wenn de Güte gerng st, dann st de Wahrschenlchket, de Alternatve anzunehmen, gerng. Man sprcht dann von ener verpassten Chance. Gütefunkton g(c) gbt de Ablehnwahrschenlchket n Abhänggket von c an Falls möglch, wähle unter allen -Nveau-Tests denjengen aus, der de größte Macht bestzt Emprsche Softwaretechnk Wntersemester 2009/2010
45 Zusammenhang von α und Güte H 0 H A H 0 H A β α β α μ 0 c μ A Vergrößerung von α Verschebt den krtschen Wert c nach lnks. Reduzert ß Erhöht Güte. Aber: α,de Wahrschenlchket für den Fehler 1. Art, erhöht! μ 0 c μ A Emprsche Softwaretechnk Wntersemester 2009/2010
46 Zusammenhang von μ 0 - μ A und Güte H 0 H A H 0 H A β α β α μ 0 c μ A μ 0 c μ A Großer Abstand zwschen μ 0 and μ A Bedeutet großen Untersched n den Mttelwerten (Effektgröße) Reduzert de Überlappungen der Vertelungen. Erhöht Güte. Umgekehrt bedeutet gernger Abstand gernge Güte Emprsche Softwaretechnk Wntersemester 2009/2010
47 Zusammenhang Stchprobengröße und Güte H 0 H A H 0 H A β α β α μ 0 c μ A Be größerer Stchprobe ändert sch de Vertelung der Statstk: de Varanz wrd klener Daher engerer Annahmeberech und größere Güte be glecher Alternatve Be großen Stchprobenumfängen st das Rsko ener verpassten Chance gernger. μ 0 c μ A Emprsche Softwaretechnk Wntersemester 2009/2010
48 Bespele für parametrsche Tests Enstchprobentests zu Lagealternatven t-test für den Erwartungswert Voraussetzungen: Gegeben Zufallsvarable X und X 1,,X n unabhängge Wederholungen, alle dentsch normalvertelt mt X ~ N (µ, ²), aber de Varanz ² der Grundgesamthet st unbekannt En hypothetscher Erwartungswert µ o soll verglchen werden mt dem tatsächlchen, unbekannten Erwartungswert m=e(x). Bespel für Hypothesenpaar für zwesetges Testproblem: H 0 : µ = µ 0 H A : µ µ 0 Als Teststatstk nmmt man mt S: Stchproben-Standardabwechung, n Stchprobengröße, T st Student-t-vertelt Anmerkung: Ist ² bekannt, benutzt man den sog. Gauß-Test mt der Teststatstk Dazu n der nächsten Vorlesung mehr Stchprobenmttelwert Emprsche Softwaretechnk Wntersemester 2009/2010
49 Bespele für parametrsche Tests Bespel t-test Ene Maschne stellt Plättchen mt normalvertelter Dcke her und Sollwert (d.h., Mttelwert) µ = 0,25 cm. Ene Stchprobe von n = 10 Werten lefert en arthmetsche Mttel von x = 0,253 cm be ener Standardabwechung von s = 0,003 cm. Überprüfen Se, ob de Maschne noch exakt arbetet, mt enem Sgnfkanznveau von α = 0,05. H 0 : µ = 0,25 cm; H A : µ 0,25 cm Prüfgröße T st Student-t-vertelt mt n - 1 = 9 Frehetsgraden Be zwesetger Fragestellung lefert Tabelle für α = 0,05 und = 9 den krtschen Wert t c = 2,262. Damt auch t cu = -t c = -2,62 und t co = t c = 2,262 Für -2,262 t 2,262 wrd H 0 also ncht abgelehnt T st her (0,253-0,25) (0,003 10) = 3,162 Nullhypothese wrd abgelehnt. Maschne arbetet ncht mehr exakt Emprsche Softwaretechnk Wntersemester 2009/2010
50 WILCOXON- RANGSUMMENTEST Emprsche Softwaretechnk Wntersemester 2009/2010
51 Motvaton In Expermenten st de Datenmenge oft klen Daten snd ncht normalvertelt Dann st t-test ncht anwendbar. Deshalb ncht-parametrsche Tests für Lagebestmmung verwenden Ncht-parametrsch heßt: Es werden kene Annahmen über de Parameter der Vertelung gemacht Wlcoxon-Rangsummen Test (oder Mann-Whtney U-Test) st en ncht-parametrscher, Zwestchproben-Test Emprsche Softwaretechnk Wntersemester 2009/2010
52 Wlcoxon Rangsummen-Test Voraussetzungen De Stchproben X und Y snd unabhängg. De Grundgesamtheten von X und Y haben stetge Vertelungsfunktonen F und G. Hypothesen für zwesetgen Test: H H 0 1 :F(z) :F(z G(z) θ) G(z) für alle z R,θ 0 De Vertelungen von F und G bestzen deselbe Form, können aber möglcherwese um enen Betrag verschoben sen. Unter desen Voraussetzungen glt, dass de Glechhet der Medane äquvalent zur Glechhet der Vertelungsfunktonen st Emprsche Softwaretechnk Wntersemester 2009/2010
53 Annahmen Beobachtungen x 1,...x m und y 1,...,y n haben mndestens ordnales Messnveau, d.h. de Beobachtungen können sortert werden ObdA: m n N = m + n Stchprobenvarablen X 1,..., X m und Y 1,, Y n unabhängg Emprsche Softwaretechnk Wntersemester 2009/2010
54 Bemerkungen Snd F und G normalvertelt so benütze t-test auf Glechhet der Erwartungswerte F-Test auf Glechhet der Varanzen Normalvertelung n der Praxs jedoch oft ncht gegeben Deshalb: Benutze ncht-parametrsches Gegenstück Emprsche Softwaretechnk Wntersemester 2009/2010
55 Vorgehen Schrtt für Schrtt 1. Kombnere de Stchproben x und y der Größen n und m. 2. Sortere de kombnerte Stchprobe der Größe N = n + m. (Ordnalskala geht her en) 3. Vergebe Ränge von 1 bs N, begnnend mt Summere de Ränge der kleneren Stchprobe; ergbt W N Emprsche Softwaretechnk Wntersemester 2009/2010
56 Wlcoxon Rangsummen-Test Bespel Stchprobe x = (3, 8), Größe m = 2 Stchprobe y = (6, 10, 12), Größe n = 3 Sorterte Stchprobe Quelle X Y X Y Y Rang () Klenere Stchprobe (V) Teststatstk: W 5 = = 4 W N = N 1 rg ( V ) n m V Emprsche Softwaretechnk Wntersemester 2009/2010
57 We wahrschenlch st W 5 =4? Be enem Vektor der Länge n+m st de Anzahl der Untervektoren der Länge m glech n m m Unter H 0 haben alle Untervektoren der Länge n+m de gleche Wahrschenlchket (!) Es se a(c) = Anzahl der Vektoren v mt Rangsumme c Dann st de Wahrschenlchket für das Auftreten enes bestmmten Rangsummenwertes P H 0 ( W N c) a( c) m n m Emprsche Softwaretechnk Wntersemester 2009/2010
58 We wahrschenlch st W 5 = 4? En Vektor der Größe N hat N N! (n m)! m m!(n m)! n!m! Telvektoren der Größe m Wenn H 0 glt, snd alle Telvektoren glech wahrschenlch. Zähle de Anzahl der Telvektoren mt der Rangsumme w = 4, dvdere durch 10 W 5 = w Telvektoren P(W 5 = w) 3 (1, 2) 0,1 4 (1, 3) 0,1 5 (1, 4) (2, 3) 0,2 6 (1, 5) (2, 4) 0,2 7 (2, 5) (3, 4) 0,2 8 (3, 5) 0,1 9 (4, 5) 0, Emprsche Softwaretechnk Wntersemester 2009/2010
59 Vorgehen (fortgesetzt) 5. Wähle das Sgnfkanznveau α 6. Teste H 0 : a) Zwesetger Test: Lehne H 0 ab, wenn W N w α/2 oder W N w 1-α/2 p-wert: P(W N w α/2 ) + P(W N w 1-α/2 ) b) Ensetge Tests: Verwende nur ene der oberen Ablehnungsbedngungen und w α Emprsche Softwaretechnk Wntersemester 2009/2010
60 Bespel: Programmeraufwand Programmerzeten der Kontrollgruppe X und der jcontract-gruppe Y j n Mnuten: X Y j Nullhypothese: bede Vertelungen glech Alternatve: jcontract klener (ensetger Test) Emprsche Softwaretechnk Wntersemester 2009/2010
61 Programmeraufwand Kombnerte Stchprobe mt Rängen y x x y x y x y x y y x y W N = = Emprsche Softwaretechnk Wntersemester 2009/2010
62 Programmeraufwand Ist jetzt G = F? Hypothese ablehnen wenn W N w (ensetger Test auf klener) Für α = 0,05 haben wr w α = 29 Also: Da W N = 38 > 29 = w α lehnen wr Hypothese ncht ab Ergebns: Zuscherungen reduzeren den Programmeraufwand ncht Emprsche Softwaretechnk Wntersemester 2009/2010
63 Was tun be glechen Werten? Wenn gleche Stchprobenwerte vorlegen, ordne Durchschnttsränge auf alle Elemente der Gruppe Gleche Stchprobenwerte heßen Bndungen (engl. tes) Bespel: x=( ) Ränge: ( ) Emprsche Softwaretechnk Wntersemester 2009/2010
64 Zusammenfassung Der Wcoxon-Test prüft zwe Stchproben, ob se aus der glechen Vertelung stammen; erfordert kene Normalvertelungsannahme. Wenn man mehr als zwe Stchproben hat (z.b. aus dre Softwaretechnken), heßt der analoge Test Kruskal-Walls Varanzanalyse ( Kruskal-Walls One-way Analyss of Varance ) Wenn man en Vorher-Nachher-Experment hat (es werden Werte vor und nach Enführung ener neuen Methode gemessen) und man wll Unterschede n den Vorher- Nachher-Dfferenzen testen, dann benutzt man den Wlcoxon Matched-Pars Sgned-Ranks Test Emprsche Softwaretechnk Wntersemester 2009/2010
65 Nächster Termn Bem nächsten Mal (9.11.) btte en Laptop mt R nstallert mtbrngen! Emprsche Softwaretechnk Wntersemester 2009/2010
66 Lteratur [Howell 1999] Davd C. Howell, Fundamental Statstcs for the Behavoral Scences, Brooks/Cole Publshng Co, Bleymüller et al., Statstk für Wrtschaftswssenschaftler, Verlag Vahlen Fahrmer et al., Multvarate statstsche Verfahren, de Gruyter Verlag, 1984 Fahrmer et al., Statstk, Sprnger, 1999 Hartung, Statstk, Oldenbourg, Emprsche Softwaretechnk Wntersemester 2009/2010
Prof. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrU Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrÖkometrie I 10 Korrelation - Regression
Ökometre I 10 Korrelaton - Regresson Ka Uwe Totsche LS Hydrogeologe Fredrch-Schller-Unverstät Jena Prof. Dr. Ka Uwe Totsche Ökometre I Korrelaton - Regresson 10-1 Zele und Lernnhalte Zel deser Enhet Zwedmensonale
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrHydrologie und Flussgebietsmanagement
13.11.010 Hydrologe und Flussgebetsmanagement o.unv.prof. DI Dr. H.P. Nachtnebel Insttut für Wasserwrtschaft, Hydrologe und konstruktver Wasserbau Glederung der Vorlesung Statstsche Grundlagen Extremwertstatstk
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multvarate Statstk für Psychologen 3. Vorlesung: 14.04.2003 Agenda 1. Organsatorsches 2. Enfache Regresson. Grundlagen.. Grunddee und Zele der enfachen Regresson Bespele Statstsches Modell Modell
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrP(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =
Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
Mehr2.1 Einfache lineare Regression 31
.1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas
Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
MehrDer Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statstk und emp. Wrtschaftsforschung, Prof. R. T. Rphahn, Ph.D. Bachelorprüfung, Praxs der emprschen Wrtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxs der emprschen Wrtschaftsforschung
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrIn der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
MehrBachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D.
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung, SS 9 Fach: Prüfer: Bachelorprüfung Praxs der emprschen Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Name, Vorname Matrkelnr. E-Mal Studengang
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrMusterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur
Musterklausur Wrtschaftsmathematk und Statstk Zusatzstudum für Wrtschaftsngeneur Telnehmer (Name, Vorname): Datum:.2006 Prüfer: Böhm-Retg Matrkelnummer: REGELN 1. Zum Bestehen der Klausur snd mndestens
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrQualitätsparameter in der. Ausgleichungsrechnung
Insttut für Geodäse und Geonformatonstechnk Fachgebet Geodäse und Ausglechungsrechnung Qualtätsparameter n der Ausglechungsrechnung Prof. Dr.-Ing. Frank Netzel Semnar Qualtätsanalyse des Legenschaftskatasters
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
MehrNichtparametrische Statistik. Verteilungsfreie Tests. Nichtparametrische Statistik. Verteilungsfreie Tests. Parametrische und Nichtparametrische Tests
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Nchtparametrsche Statstk Vertelungsfree Tests Bometrsche und Ökonometrsche Methoden II SS
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrDas zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
Mehr4.2 Grundlagen der Testtheorie
4.2 Grundlagen der Testtheore Wntersemester 2008 / 2009 Hochschule Magdeburg-Stendal (FH) Frau Prof. Dr. Gabrele Helga Franke Deskrptve Statstk 4-1 bs 4-2 1 GHF m WSe 2008 / 2009 an der HS MD-SDL(FH) m
Mehr