Fallzahlplanung bei unabhängigen Stichproben
|
|
- Wilhelmine Schmitt
- vor 6 Jahren
- Abrufe
Transkript
1 Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner 12. Januar 2005
2 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung 2. Fallzahlplanung bei verbundenem t-test 3. Fallzahlplanung bei unverbundenem t-test 4. Zusammenfassung / Ausblick 1
3 1. Einführung und Grundlagen der Fallzahlplanung Wunsch: Nachweis eines Unterschieds zwischen Therapieformen Wahrscheinlichkeit des Nachweises (Power 1 β) abhängig von: wahrer Unterschied µ 1 µ 2 zwischen den Therapien Fallzahl N 1. Einführung und Grundlagen der Fallzahlplanung 2
4 Zusammenhang Power - Unterschied / Fallzahl Abbildung 1: Zusammenhang zwischen Fallzahl N und Power 1 β (α und gegeben) Abbildung 2: Zusammenhang zwischen Unterschied und Power 1 β (α und N gegeben) 1. Einführung und Grundlagen der Fallzahlplanung 3
5 Warum Fallzahlplanung? Gruppengröße nicht dem Zufall überlassen, da: Ethische Komponente (unnötige Belastung von Probanden) Ökonomische Komponente (unnötige Belastung des Geldgebers) Fallzahlplanung selbstverständlich vor der Durchführung der Studie Aufnahme ins Studienprotokoll (vor der Studie erstellt, regelt alle Einzelheiten) 1. Einführung und Grundlagen der Fallzahlplanung 4
6 Signifikanzniveau α Power 1 β Vorgaben zur Fallzahlberechnung klinisch relevanten Unterschied Testproblem Verteilung der Testgröße (z.b. Normalverteilung, σ unbekannt = t-test) einseitiger Test / zweiseitiger Test verbundene / unverbundene Stichprobe (Aufteilung auf die Gruppen) = (approximative) Berechnung des benötigten Stichprobenumfang 1. Einführung und Grundlagen der Fallzahlplanung 5
7 2. Fallzahlplanung bei verbundenem t-test verbundene, (approximativ) normalverteilte Stichprobe Interessierende Größe: Differenz µ d = µ 1 µ 2 zu schätzen: Varianz der Differenz σ d (Einstichprobenfall: Interessierende Größe: µ 0 zu schätzen: σ d := σ (Standardabweichung der Differenzen (hier) = = Weiteres Vorgehen analog) Standardabweichung der Stichprobe) 2. Fallzahlplanung bei verbundenem t-test 6
8 Testgröße bei verbundenem t-test T = X µ 0 S n im Einstichprobenfall T = D δ 0 S n (D = Y1 Y 2 ) im Zweistichprobenfall d Verteilung unter der Nullhypothese H 0 : T t n 1 Verteilung unter Alternative H 1 : T t n 1,nct (nichtzentral t-verteilt, mit dem Nichtzentralitätsparameter nct) 2. Fallzahlplanung bei verbundenem t-test 7
9 Exkurs: Nichtzentrale t-verteilung t β,n 1,nct im allgemeinen nicht explizit zu berechnen = approximieren, durch t β,n 1,nct t β,n 1 + nct (t-verteilung, die um nct nach rechts verschoben ist) Weiter gilt: Die zentrale t-verteilung ist symmetrisch um Null, also t β,n 1 = t 1 β,n 1 2. Fallzahlplanung bei verbundenem t-test 8
10 Abbildung 3: Zentrale t-verteilung mit df = 10 Abbildung 4: Nichtzentrale t-verteilung mit df = 10 und nct = 5 2. Fallzahlplanung bei verbundenem t-test 9
11 Herleitung der Fallzahlformel Vorbereitungen: Allgemein: nct = µ d σ n (s. oben) d Fallzahlplanung: µ d = (wahrer Fehler = zu entdeckender Unterschied) = nct = σ n = c = d σ d Fallzahl N: Einseitiger Test: N [t 1 α,df +t 1 β,df ] 2 c 2 Zweiseitiger Test: N [t 1 α/2,df +t 1 β,df ] 2 c 2 Achtung: df = N 1 = Fallzahl auf beiden Seiten der Gleichung = keine explizite Lösung 2. Fallzahlplanung bei verbundenem t-test 10
12 Lösung via Rekursion 1. df := = durch Einsetzen in die Formel: N 1 2. df := N 1 1 = durch Einsetzen in die Formel: N 2 3. Wiederhole 4. bis N i N i 1 (dann 5.) 4. Setze df := N i 1 1 = Berechne N i 5. Fertig und es gilt N i ist die gesuchte Fallzahl 2. Fallzahlplanung bei verbundenem t-test 11
13 Beispiel 1 Aufgabe: 1 Ein Medikament zur Senkung des Blutdrucks wird getestet. Dazu soll bei einer noch zu bestimmende Anzahl von Patienten zunächst der Blutdruck gemessen werden. Danach wird das Medikament verabreicht. Der Blutdruck wird eine Stunde später noch einmal gemessen. Nach bisherigen Erfahrungen ist die Standardabweichung der Differenz solcher Messungen etwa σ d = 15 mmhg. Wieviel Patienten sind in den Versuch aufzunehmen, damit die Differenz = 15 mmhg im zweiseitigen Test bei a=0.05 mit der vorgegebenen Power= 0.80 entdeckt werden? 1 Quelle: [JUMBO] 2. Fallzahlplanung bei verbundenem t-test 12
14 Lösung: c = σ d = = 1 = c2 = 1 2 = 1 t 1 α/2, = t 0.975, = 1.96 t 1 β, = t 0.8, = (Zweiseitiger Test) N 1 [ ]2 1 = N 1 einsetzen in rechte Seite: t 0.975,N1 1 = t 0.975,7 = t 0.8,N1 1 = t 0.8,7 = N 2 [ ]2 1 = Fallzahlplanung bei verbundenem t-test 13
15 N 2 > N 1 = N 2 einsetzen in rechte Seite: t 0.975,N2 1 = t 0.975,10 = t 0.8,N2 1 = t 0.8,10 = N 3 [ ]2 1 = N 3 < N 2 = Gesuchte Fallzahl ist N 3 = Fallzahlplanung bei verbundenem t-test 14
16 3. Fallzahlplanung bei unverbundenem t-test Prinzipiell Vorgehen analog zur Fallzahlplanung bei verbundenem t-test Neuer Aspekt Aufteilung des Gesamtumfangs N auf die Gruppen n 1 und n 2 3. Fallzahlplanung bei unverbundenem t-test 15
17 Testgröße bei unverbundenem t-test Voraussetzung (approximativ) normalverteilte Merkmale Varianzhomogenität (σ 1 = σ 2 = σ) Für die Testgröße t gilt dann: T = y 1 y 2 n1 n 2 mit s 2 R = (n 1 1)s (n 2 1)s 2 2 s R n 1 + n 2 n n 2 1 Kritische Zahl (zweiseitiger Test): t 1 α/2,df mit df = n 1 + n 2 2 = N 2 (!). 3. Fallzahlplanung bei unverbundenem t-test 16
18 Herleitung der Fallzahlformel Unter H 1 gilt: T ist t-verteilt mit Nichtzentralitätsparameter nct 2 allgemein nct 2 = µ 1 µ 2 n1 n 2 σ n 1 + n 2 speziell (bei festem Gruppenverhältnis n 2 = k n 1 ) N = n 1 + n 2 = n 1 + kn 1 = (k + 1)n 1 = n 1n 2 n 1 + n 2 = = nct 2 = c N n 2 1k n 1 (k + 1) = N n 2 1 n 2 1k k = N (k + 1)2 (1 + k) 2 3. Fallzahlplanung bei unverbundenem t-test 17
19 Dabei gilt für c: c = σ gleiche Gruppenumfänge (k = 1) k 1 + k c = 2σ Fallzahlformel analog zu verbundener Stichprobe Einseitiger Test: N [t 1 α,df + t 1 β,df ] 2 c 2 Zweiseitiger Test: N [t 1 α/2,df + t 1 β,df ] 2 c 2 3. Fallzahlplanung bei unverbundenem t-test 18
20 Fallzahlberechnung Achtung Berechnung von c nicht identisch mit verbundener Stichprobe Anzahl der Freiheitsgrade jetzt df = N 2 Lösung via Rekursion Fallzahl N wieder auf beiden Seiten der Gleichung = rekursives Verfahren analog zu oben anwenden 3. Fallzahlplanung bei unverbundenem t-test 19
21 Interpretation der Formel Zur Veranschaulichung der Formel c einsetzen. Man sieht: Die benötigte Fallzahl sinkt mit wachsendem (relevanten) Unterschied sinkender Varianz σ sinkender Differenz k 1 (vgl. nächste Folie) wachsendem Signifikanzniveau α sinkender Power 1 β 3. Fallzahlplanung bei unverbundenem t-test 20
22 Anmerkungen Gruppenumfänge n 1 und n 2 frei wählbar = Frage: Welches Gruppenverhältnis k ist optimal? Die Power ist umso größer, je stärker sich H 0 und H 1 unterscheiden. Testgröße unter H 0 t-verteilt unter H 1 t-verteilt mit Nichtzentralitätsparameter nct 2 = Verteilungen unterscheiden sich stärker, je größer nct 2 ist (s. Folie 8) Ableiten (nach k) und Null setzen = nct 2 für k = 1 maximal Die Aufteilung des Gesamtumfangs in gleiche Gruppenumfänge ist optimal. 3. Fallzahlplanung bei unverbundenem t-test 21
23 Anmerkungen II Varianz σ d aus der Stichprobe geschätzt = Sinnvoll: obere Schranke für die Standardabweichung wählen Falsche Annahmen führen zu einer falschen Fallzahlplanung = häufig Berechnung mehrerer Varianten signifikantes Testergebnis = signifikanter Unterschied (also 0) Fallzahlplanung = in 1 β Fällen kann nachgewiesen werden Beides bedeutet nicht: wahre Differenz größer als die vorgegebene Mindestdifferenz = Schätzwert µ d und das zugehörige Konfidenzintervall geben Auskunft über die Größe der wahren Mittelwertdifferenz 3. Fallzahlplanung bei unverbundenem t-test 22
24 Beispiel 2 Fortsetzung Beispiel 1: Es wird der Versuch wie in Beispiel 1 durchgeführt, aber jetzt soll die behandelte Gruppe mit einer zweiten Gruppe verglichen werden, die ein Placebo erhält. Wieviel Patienten müssen pro Gruppe in den Versuch einbezogen werden, damit ein Unterschied von 5 mmhg zwischen der Placebound der Verumgruppe (1:1) im zweiseitigen Test (α = 0.05) mit einer Power von 80% gefunden wird? 3. Fallzahlplanung bei unverbundenem t-test 23
25 Lösung: c = 2σ = = 1 6 = c2 = 1 36 t 1 α/2, = t 0.975, = 1.96 t 1 β, = t 0.8, = (Zweiseitiger Test) N 1 [ ] N 1 einsetzen in rechte Seite: t 0.975,N1 2 = t 0.975,281 = t 0.8,N1 2 = t 0.8,281 = = N 2 [ ] = Fallzahlplanung bei unverbundenem t-test 24
26 N 2 > N 1 = N 2 einsetzen in rechte Seite: t 0.975,N2 2 = t 0.975,283 = t 0.8,N2 2 = t 0.8,283 = N 3 [ ] N 3 N 2 = N 3 2 n 1 = n 2 = 143 = Fallzahlplanung bei unverbundenem t-test 25
27 Fortsetzung: Wie ändern sich die Gruppengrößen, wenn wir ein Verhältnis Verum:Placebo = 2 : 1 wählen? Lösung: k = 1 2 = c = σ k 1+k = 5 15 Berechnung analog zu oben = c2 = N N (N 2 > N 1 = N 2 einsetzen in rechte Seite) N N 3 N 2 = N 3 3 n 2 = 107 = n 1 = 2 n 2 = Fallzahlplanung bei unverbundenem t-test 26
28 4. Zusammenfassung / Ausblick Fallzahlformel bei Varianzinhomogenität (Vgl. dazu [Bock] S.65ff) Zusammenarbeit zwischen Statistiker und Fachwissenschaftler nötig Fallzahl eine (untere) Schranke für den benötigten Stichprobenumfang, da Annahmen teilweise idealisiert (Normalverteilung, Varianzhomogenität usw.) Drop-Outs 4. Zusammenfassung / Ausblick 27
29 Literatur [Schumacher] M. Schumacher, G. Schulgen, 2002, Methodik klinischer Studien: Springer Verlag [Bock] [JUMBO] [Lenth] J. Bock, 1998, Bestimmung des Stichprobenumfangs: Oldenburg Verlag JUMBO - Java-unterstützte Münsteraner Biometrie- Oberfläche /biomathe/bio/script9.html#9.5 Russ Lenth s power and sample-size page rlenth/power/index.html 28
Fallzahlplanung bei unabhängigen Stichproben
Seminar Aktuelle biometrische Probleme benjamin.hofner@stat.uni-muenchen.de 2. Januar 2005 Inhaltsverzeichnis Einführung in die Fallzahlplanung 2. Grundlegendes zur Fallzahlplanung...........................
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
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
MehrU N I V E R S I T Ä T S M E D I Z I N B E R L I N. After Work Statistics
U N I V E R S I T Ä T S M E D I Z I N B E R L I N After Work Statistics Institut für Biometrie und klinische Epidemiologie Wir sind Hilfsbereit und nett! als Wissenschaftler aktiv in der statistischen
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
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,
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
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
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
MehrStatistische 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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
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
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
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
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 =
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
MehrMathematik 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
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
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
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
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
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 : Binomial, Gauß Prof. Dr. Achim Klenke http://www.aklenke.de 10. Vorlesung: 20.01.2012 1/31 Inhalt 1 Einführung Binomialtest 2/31 Beispiel Einführung Bohnenlieferant liefert
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
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
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
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
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
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
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
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
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
MehrPlanung von Humanstudien Fallzahlberechnung
Planung von Humanstudien Fallzahlberechnung Hans-Peter Helfrich Universität Bonn 5. November 2015 H.-P. Helfrich (Universität Bonn) Planung von Humanstudien 5. November 2015 1 / 15 Einführung 1 Einführung
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
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
Mehr3. 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)
MehrStatistik-Notfallkit für Schüler und Lehrer
Statistik-Notfallkit für Schüler und Lehrer Jan Kallsen Christian-Albrechts-Universität zu Kiel 3. Dezember 2018 Zusammenfassung Schließende Statistik ist konzeptionell nicht einfach. Hier sind einige
MehrStatistik 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
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)
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 / Übungsaufgaben Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 10.02.2012 1/51 Aufgabe 1 Aufgabenstellung Übungsaufgaben Ein Pharmakonzern möchte ein neues Schlankheitsmedikament
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.
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
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
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrInduktive Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Induktive Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
Mehr7.2 Mittelwert einer Stichprobe
66 7.2 Mittelwert einer Stichprobe Gegeben ist eine normalverteilte Grundgesamtheit. Mit Hilfe einer Stichprobe möchten wir Aussagen über den unbekannten Mittelwert µ dieser Grundgesamtheit machen. Wenn
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
MehrStatistische Tests zu ausgewählten Problemen
Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren
MehrStatistische Tests funktionieren generell nach obigem Schema; der einzige Unterschied besteht in der unterschiedlichen Berechnung der Testgröße.
Statistische Tests Testen von Hypothesen Fehlerarten wichtigste statistische Tests Hypothesen Jeder statistische Test beruht auf der Widerlegung einer zuvor aufgestellten Hypothese. Die Widerlegung ist
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 12
Übung zur Vorlesung Statistik I WS 2013-2014 Übungsblatt 12 20. Januar 2014 Die folgenden ufgaben sind aus ehemaligen Klausuren! ufgabe 38.1 (1 Punkt: In einer Studie werden 10 Patienten therapiert. Die
MehrLösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001 1. Normalverteilung Der diastolische Blutdruck bei einer Gruppe von jungen Männern ist normalverteilt mit einem Erwartungswert von 65 mmhg
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
MehrGlossar Biometrie / Statistik. Auszug für Fragebogen Fallzahlberechnung/-begründung
Glossar Biometrie / Statistik A Äquivalenztest Der Äquivalenztest beurteilt die Gleichwertigkeit von Therapien. Beim Äquivalenztest werden als Hypothesen formuliert: Nullhypothese H 0 : Die Präparate sind
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
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
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 +... +
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
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:
MehrLösungen zur Biomathe-Klausur Gruppe B Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe B Montag, den 16. Juli 2001 1. α-fehler und ß-Fehler Welche Aussage ist richtig? A. Der ß-Fehler ist unabhängig von α-fehler. Falsch. Je größer der α-fehler, umso kleiner
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
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler 20. Mai 2010 Inhaltsverzeichnis
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
MehrAbitur 2015 Mathematik NT Stochastik S I
Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 2015 Mathematik NT Stochastik S I Ein neues Medikament wird vor der Markteinführung einem klinischen Test unterzogen. Dabei erhält die Hälfte der am
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrDas Zweistichprobenproblem
Kapitel 5 Das Zweistichprobenproblem In vielen Anwendungen will man überprüfen, ob sich zwei oder mehr Verfahren, Behandlungen oder Methoden in ihrer Wirkung auf eine Variable unterscheiden. Wir werden
Mehr