Statistik II für Betriebswirte Vorlesung 1
|
|
- Gisela Bösch
- vor 6 Jahren
- Abrufe
Transkript
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: 5. Oktober
2 Organisatorisches Vorlesung: Mo., 14:00-15:30, FOR Übungen: Di., 9:15-10:45, LAM-2090, Dipl.-Math. Dietz, Di., 14:00-15:30, WER-1045, Dr. Wünsche, Mi., 14:00-15:30, MET-2065, Dipl.-Math. Dietz. Selbststudium (Laut Modulbeschreibung zusammen für beide Semester 120 h Präsenzzeit und 150 h Selbststudium.) Information: Prüfung: Klausur 120 Minuten, zugelassen sind Taschenrechner, Bücher, Mitschriften; nicht zugelassen sind Laptops, Handys. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
3 Themenkomplexe und geplanter Ablauf in diesem Semester Statistische Tests (ca. drei Vorlesungen) Varianzanalyse (ca. zwei Vorlesungen) Korrelationsanalyse (ca. zwei Vorlesungen) Regressionsanalyse (ca. zwei Vorlesungen) Weihnachtsvorlesung ( ) Regressionsanalyse (ca. drei Vorlesungen) Statistische Qualitätskontrolle (ca. zwei Vorlesungen) Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
4 Klausurergebnisse Statistik 1 für Betriebswirte Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
5 4. Grundlagen des statistischen Schließens II (Tests) 4.1 Einführung in statistische Tests am Beispiel des t-tests Beispiel 4.1: Intelligenzquotient Fragestellung (1): Haben (14-jährige) Kinder aus Dresden einen höheren Intelligenzquotienten als 100? Fragestellung (2): Haben (14-jährige) Kinder aus Dresden einen niedrigeren Intelligenzquotienten als 100? Fragestellung (3): Ist der Intelligenzquotient von (14-jährigen) Kindern aus Dresden von 100 verschieden? Ist µ der (unbekannte) Erwartungswert des IQ der Gesamtpopulation der (14-jährigen) Kinder aus Dresden, dann lassen sich die Fragestellungen (1) bis (3) wie folgt als Forschungshypothesen formulieren: (1): µ > 100 (erwartete IQ ist höher 100) (2): µ < 100 (erwartete IQ ist niedriger 100) (3): µ 100 (erwartete IQ ist ungleich 100) Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
6 Grundlegende Schwierigkeit Auf Basis einer repräsentativen Stichprobe soll auf die Grundgesamtheit geschlossen werden. Fehler, Unsicherheiten sind möglich! Beispiel: Es werden zufällig 10 hochbegabte Kinder (IQ 130) für die Stichprobe ausgewählt. Vermutlich wird dadurch µ überschätzt! Ziel der schließenden Statistik: Quantifizierung der Unsicherheit, z.b. mit welcher Wahrscheinlichkeit macht ein statistischer Test einen Fehler. Notwendig für die Quantifizierung: Mathematische Modellannahmen Im Beispiel 4.1 gehen wir von der Modellannahme aus, dass der IQ der (14-jährigen) Kinder in Dresden normalverteilt ist. Diese Modellannahme sollte man stets rechtfertigen (wie man das machen kann, sehen wir später). Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
7 Fortsetzung Beispiel 4.1: Intelligenztest Der Intelligenzquotient X der 14-jährigen Kinder in Dresden wird als normalverteilt angenommen. (math.) Sichprobe: X i iid. mit X i N(µ, σ 2 ), i = 1,..., n. Aus allen (14-jährigen) Kindern in Dresden wurden zufällig und unabhängig voneinander 10 Kinder ausgewählt. Diese machten einen IQ-Test mit folgenden Ergebnis (Daten): i x i i x i Die Punktschätzung für den unbekannten Erwartungswert µ ist gleich: ˆµ = x = und damit größer als 100. Das bedeutet aber nicht, dass der Erwartungswert µ mit Sicherheit größer als 100 ist. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
8 Nullhypothese Die Nullhypothese im Beispiel 4.1 lautet: H 0 : µ = 100(= µ 0 ). µ 0 = 100 ist also der hypothetische Wert. Aus der Annahme, dass der IQ normalverteilt ist ergibt sich, dass die Teststatistik T = X µ 0 n S t-verteilt ist mit (n 1)-Freiheitsgraden. Damit lässt sich die Wahrscheinlichkeit dafür kontrollieren, die Nullhypothese fälschlicherweise abzulehnen. Die Forschungshypothesen (1) bis (3) sind hier die möglichen Alternativhypothesen H A. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
9 Aufstellen der Null- und der Alternativhypothese Man formuliert 2 sich ausschließende (oft sogar komplementäre) Hypothesen, die Nullhypothese H 0 und die Alternativhypothese H A (oft auch mit H 1 bezeichnet) z.b. H 0 : µ = µ 0 und H A : µ > µ 0 oder H 0 : µ = µ 0 und H A : µ < µ 0 oder H 0 : µ = µ 0 und H A : µ µ 0. Die Nullhypothese ist diejenige Hypothese, welche auf ihren Wahrheitsgehalt hin überprüft werden soll. Die Nullhypothese wird als Ausgangspunkt einer statistischen Untersuchung gesehen, den es zu widerlegen gilt. Die Alternativhypothese ist die eigentliche Forschungshypothese und drückt aus, was mittels der statistischen Untersuchung gezeigt werden soll. Die Hypothese, die statistisch abgesichert werden soll, sollte also als Alternativhypothese formuliert werden! Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
10 Testentscheidung, Fehler erster und zweiter Art 2 mögliche Entscheidungen beim Testen: 1. H 0 wird verworfen, also abgelehnt und H A angenommen: Es gibt in der erhobenen Stichprobe starke Hinweise darauf, dass H 0 nicht gelten kann, also H A gelten muss. Diese Hinweise sind so stark, dass man nicht von einem zufälligen Zustandekommen ausgehen kann. 2. H 0 wird nicht verworfen, also angenommen: Man hat keine Hinweise gefunden, die gegen H 0 sprechen. Alle aufgetretenen Effekte könnten genauso gut zufallsbedingt sein. in der Grundgesamtheit gilt H 0 H A Entscheidung auf- richtige Fehler 2. Art grund der Stich- H 0 Entscheidung (β-fehler) probe zugunsten Fehler 1. Art richtige von: H A (α-fehler) Entscheidung Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
11 Fehlerwahrscheinlichkeiten Formal lässt sich die Wahrscheinlichkeit für den Fehler 1. Art (α-fehler) als bedingte Wahrscheinlichkeit schreiben: P(Fehler 1. Art) = P(H 0 ablehnen H 0 ist wahr) = α Die Wahrscheinlichkeit für den Fehler 2. Art (β-fehler) kann auch als bedingte Wahrscheinlichkeit geschrieben werden: P(Fehler 2. Art) = P(H 0 nicht ablehnen H A ist wahr) = β Die Wahrscheinlichkeiten für die Fehler erster und zweiter Art verändern sich gegenläufig. Bei festem Stichprobenumfang wird nur der Fehler erster Art kontrolliert. Bei fester Wahrscheinlichkeit für den Fehler 1. Art kann die Wahrscheinlichkeit für den Fehler 2. Art durch Vergrößerung des Stichprobenumfanges verkleinert werden. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
12 Einfache und zusammengesetzte Hypothesen Wählt man mit der Null- oder Alternativhypothese nur einen Wert aus allen möglichen Werten aus, dann nennt man eine solche Hypothese einfach. Wird dagegen eine Menge von Werten zugelassen, spricht man von einer zusammengesetzten Hypothese. So ist z.b. bei H 0 : µ = µ 0 gegen H A : µ > µ 0 H 0 eine einfache und H A eine zusammengesetzte Hypothese. Hingegen sind bei H 0 : µ µ 0 gegen H A : µ > µ 0 beide Hypothesen H 0 und H A zusammengesetzte Hypothesen. Für eine einfache Nullhypothese ist die Bestimmung für die Wahrscheinlichkeit für den Fehler 1. Art eindeutig. Für zusammengesetzte Nullhypothesen hingegen hängt die Fehlerwahrscheinlichkeit noch vom konkreten Wert der Nullhypothese, welcher in der Grundgesamtheit angenommen wird, ab. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
13 Niveau α Ein Test heißt Test zum Niveau α (Signifikanzniveau α), falls die Wahrscheinlichkeit für den Fehler 1. Art höchstens α ist. Übliche Werte für das Signifikanzniveau α sind 0.05 oder Für einfache Hypohesen kann man Tests oft so bestimmen, dass die Wahrscheinlichkeit für den Fehler 1. Art genau α ist. Bei zusammengesetzten Hypothesen sind Tests oft so konstruiert, dass die Wahrscheinlichkeit für den Fehler 1. Art genau α für den Wert der Nullhypothese ist, welcher am nächsten zu den Werten der Alternativhypothese liegt. Für alle anderen Werte der Nullhypothese ist dann die Wahrscheinlichkeit für den Fehler 1. Art kleiner als α. Im letzten Kapitel von Statistik II betrachten wir die Wahrscheinlichkeiten für den Fehler 1. Art und 2. Art noch ausführlicher im Rahmen der statistischen Qualitätskontrolle. Die Gütefunktion des Testes wird dabei eine wichtige Rolle spielen. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
14 Kritischer Bereich Der kritische Bereich ist der Ablehnungbereich der Nullhypothese. Liegt die Realisierung t der Teststatistik T im kritischen Bereich, dann wird die Nullhypothese H 0 zugunsten der Alternativhypothese H A abgelehnt. Einstichproben t-test Voraussetzung: X i iid. mit X i N(µ, σ 2 ), i = 1,..., n. Ist H 0 : µ = µ 0 wahr, dann gilt für die Testgröße T : T = X µ 0 n tn 1. S Kritische Bereiche (je nach Alternative) beim Signifikanzniveau α: (1) H A : µ > µ 0 K = { } t t > t n 1,1 α (2) H A : µ < µ 0 K = { } t t < t n 1,1 α } (3) H A : µ µ 0 K = {t t > t n 1,1 α2 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
15 Einstichproben t-test für rechtsseitige Hypothesen H 0 : µ = µ 0 gegen H A : µ > µ 0 (oder oft auch so: H 0 : µ µ 0 gegen H A : µ > µ 0 ). Im Beispiel 4.1 ist n = 10, x = und s 2 = , damit ergibt sich t = 10 = Das Signifikanzniveau wählen wir mit α = 0.05 und der Stichprobenumfang ist n = 10 und damit gilt t n 1,1 α = t 9,0.95 = K = { t t > t n 1,1 α } = {t t > 1.83} Testentscheidung: t = 2.44 > 1.83 = t K = H 0 wird abgelehnt (H A wird angenommen). Testergebnis: Der erwartete IQ der 14-jährigen Kinder in Dresden ist signifikant größer als 100, beim Signifikanzniveau von 5%. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
16 Dichtefunktion der t 9 Verteilung α=5% t 9,0.95 =1.83 t= Dr. Andreas Wünsche Statistik II für BetriebswirtexVorlesung 1 Version: 5. Oktober
17 Einstichproben t-test für linksseitige Hypothesen H 0 : µ = µ 0 gegen H A : µ < µ 0 (oder oft auch so: H 0 : µ µ 0 gegen H A : µ < µ 0 ). Im Beispiel 4.1 ist t = Als Signifikanzniveau wählen wir wieder α = 0.05 und damit wird auch hier t n 1,1 α = t 9,0.95 = 1.83 für den kritischen Bereich benötigt. K = { t t < t n 1,1 α } = {t t < 1.83} Testentscheidung: t = = t K = H 0 wird angenommen. Testergebnis: Der erwartete IQ der 14-jährigen Kinder in Dresden ist nicht signifikant kleiner als 100. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
18 Dichtefunktion der t 9 Verteilung α=5% t 9,0.95 = 1.83 t= Dr. Andreas Wünsche Statistik II für BetriebswirtexVorlesung 1 Version: 5. Oktober
19 Einstichproben t-test für zweiseitige Hypothesen H 0 : µ = µ 0 gegen H A : µ µ 0 Im Beispiel 4.1 ist t = Als Signifikanzniveau wählen wir wieder α = 0.05 = α 2 = = 1 α 2 = und damit ist hier das für den kritischen Bereich benötigte t-quantil t n 1,1 α = t 9,0.975 = } K = {t t > t n 1,1 α2 = {t t > 2.26} Testentscheidung: t = 2.44 > 2.26 = t K = H 0 wird abgelehnt (H A wird angenommen). Testergebnis: Der erwartete IQ der 14-jährigen Kinder in Dresden ist signifikant von 100 verschieden. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
20 Dichtefunktion der t 9 Verteilung %=α 2 t 9,0.975 = 2.26 α 2 =2.5% t 9,0.975 =2.26 t= Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober x
21 Statistik Software, p-value (p-wert), Statgraphics Die Statistik-Software berechnet den p-wert (p-value ). Testentscheidung mit dem p-wert: p α = H 0 wird abgelehnt. p > α = H 0 wird angenommen. Im Beispiel 4.1: H 0 : µ = µ 0 gegen H A : µ > µ 0 Statgraphics p = < 0.05 = α = H 0 wird abgelehnt. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
22 Dichtefunktion der t 9 Verteilung α=0.05 t 9,0.95 =1.83 t=2.44 p= x Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
23 Statgraphics, Alternative: kleiner Im Beispiel 4.1: H 0 : µ = µ 0 gegen H A : µ < µ 0 Statgraphics p = > 0.05 = α = H 0 wird angenommen. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
24 Dichtefunktion der t 9 Verteilung α=0.05 t 9,0.95 = 1.83 p=0.981 t= x Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
25 Statgraphics, Alternative: ungleich Im Beispiel 4.1: H 0 : µ = µ 0 gegen H A : µ µ 0 Statgraphics p = < 0.05 = α = H 0 wird abgelehnt. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
26 Zusammenfassung Beim Testen wird (erst einmal) nur die Wahrscheinlichkeit für den Fehler 1. Art kontrolliert, d.h. P(H 0 ablehnen H 0 wahr) α. Wenn also H 0 tatsächlich gilt, wird man sich nur (im Mittel) in α 100% der Fälle für H A entscheiden. Die Entscheidung für H A ist in diesem Sinn statistisch abgesichert. Bei einer Entscheidung gegen H 0 und damit für H A spricht man von einem signifikanten Ergebnis. Die Wahrscheinlichkeit für den Fehler 2. Art wird erst einmal nicht kontrolliert. Eine Entscheidung H 0 beizubehalten ist nicht statistisch abgesichert. Kann man H 0 nicht verwerfen, bedeutet das daher nicht, dass man sich aktiv für H 0 entscheidet; es spricht nur nichts gegen H 0. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
27 4.2. Tests für eine Stichprobe Eine Stichprobe: X 1,..., X n iid.. Test für die Lage bzw. zentrale Tendenz Stichprobe ist normalverteilt Varianz σ 2 ist bekannt: Einstichproben z-test (Gauß-Test) Varianz σ 2 ist unbekannt: Einstichproben t-test Bei der Stichprobe liegt eine stetige Verteilung vor: Vorzeichentest Test für die Streuung (Varianz) Stichprobe ist normalverteilt: χ 2 -Test Test für eine (unbekannte) Wahrscheinlichkeit p Binomialtest Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
28 Einstichproben z-test (Gauß-Test) Annahme: X i N(µ, σ 2 ), iid., i = 1,..., n, σ 2 bekannt. Zweiseitiger Test Hypothesen: H0 : µ = µ 0, H A : µ µ 0. ( ) Unter H0 gilt: X N µ 0, σ2 n. Testgröße: T = X µ 0 H n 0 N(0, 1). σ Kritischer Bereich: Kα = {t R : t > z 1 α/2 }. Einseitige Tests Im Fall von H0 : µ µ 0, H A : µ < µ 0 gilt K α = {t R : t < z α = z 1 α }. Im Fall von H0 : µ µ 0, H A : µ > µ 0 gilt K α = {t R : t > z 1 α }. Die Tests sind für große Werte n (n 30) auch ohne Normalverteilungsvoraussetzung anwendbar. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
29 Einstichproben t Test Annahme: X i N(µ, σ 2 ), iid., i = 1,..., n, σ 2 unbekannt. Zweiseitiger Test Hypothesen: H0 : µ = µ 0, H A : µ µ 0. Testgröße: T = X µ 0 H n 0 tn 1 (t Verteilung mit n 1 S Freiheitsgraden). Kritischer Bereich: K α = {t R : t > t n 1;1 α/2 }. Einseitige Tests Im Fall von H0 : µ µ 0, H A : µ < µ 0 gilt K α = {t R : t < t n 1;α = t n 1;1 α }. Im Fall von H0 : µ µ 0, H A : µ > µ 0 gilt K α = {t R : t > t n 1;1 α }. Die Tests sind für große Werte n (n 30) auch ohne Normalverteilungsvoraussetzung anwendbar. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
30 χ 2 -Test Streuungstest Annahme: X i N(µ, σ 2 ),iid., i = 1,..., n, µ unbekannt. Zweiseitiger Test Hypothesen: H 0 : σ = σ 0, H A : σ σ 0. 2 (n 1)S Testgröße: T = Freiheitsgraden). σ 2 0 H 0 χ 2 n 1 (χ 2 -Verteilung mit n 1 Kritischer Bereich: K α = {t R : t < χ 2 n 1;α/2 } {t R : t > χ2 n 1;1 α/2 } Einseitige Tests Im Fall von H0 : σ σ 0, H A : σ < σ 0 gilt K α = {t R : t < χ 2 n 1;α}. Im Fall von H0 : σ σ 0, H A : σ > σ 0 gilt K α = {t R : t > χ 2 n 1;1 α}. Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version: 5. Oktober
Statistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
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
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
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)
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
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,
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:
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
Mehr30. März Ruhr-Universität Bochum. Methodenlehre II, SS Prof. Dr. Holger Dette
Ruhr-Universität Bochum 30. März 2011 1 / 46 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30 10.00
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:
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
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
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
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrLösungen zum Aufgabenblatt 14
Lösungen zum Aufgabenblatt 14 61. Das Gewicht von Brötchen (gemessen in g) sei zufallsabhängig und werde durch eine normalverteilte Zufallsgröße X N(µ, 2 ) beschrieben, deren Varianz 2 = 49 g 2 bekannt
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 17.3.21 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
Mehr11. Parametrische Tests 11.1 Konzeption von statistischen Tests
11. Parametrische Tests 11.1 Konzeption von statistischen Tests Statistische Tests dienen zur Überprüfung von Hypothesen über die Grundgesamtheit auf der Basis der vorliegenden Beobachtungen einer Stichprobe.
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)
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 24.2.214 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
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 II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
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. 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
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 15 Statistische Testverfahren 15.1. Arten statistischer Test Klassifikation von Stichproben-Tests Einstichproben-Test Zweistichproben-Test - nach der Anzahl der Stichproben - in Abhängigkeit von
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,...,
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.
MehrStatistik II für Betriebswirte Vorlesung 3
Statistik II für Betriebswirte Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 2. November 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
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
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
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
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
MehrSchließende Statistik: Hypothesentests (Forts.)
Mathematik II für Biologen 15. Mai 2015 Testablauf (Wdh.) Definition Äquivalente Definition Interpretation verschiedener e Fehler 2. Art und Macht des Tests Allgemein im Beispiel 1 Nullhypothese H 0 k
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
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
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
Mehr2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
Mehr6. Statistische Hypothesentests
6. Statistische 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
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
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
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
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
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
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
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
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
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.
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
Mehr9. Übungsblatt zur Vorlesung Schließende Statistik WS 2000/2001
Universität des Saarlandes Lehrstuhl für Statistik und Ökonometrie Prof. Dr. Volker Steinmetz Dipl. Math. Christoph Stahl 9. Übungsblatt zur Vorlesung Schließende Statistik WS 000/00 Aufgabe 54 Siggi Spieler
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrKapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
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
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
MehrInferenzstatistik und Hypothesentests. Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis.
Statistik II und Hypothesentests Dr. Michael Weber Aufgabenbereich Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis. Ist die zentrale Fragestellung für alle statistischen
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
MehrOnline-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)
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)
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrStatistiktutorium (Kurs Frau Jacobsen)
Statistiktutorium (Kurs Frau Jacobsen) von Timo Beddig 1 Grundbegriffe p = Punktschätzer, d.h. der Mittelwert aus der Stichprobe, auf Basis dessen ein angenäherter Wert für den unbekannten Parameter der
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
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrStatistische Tests Übersicht
Statistische Tests Übersicht Diskrete Stetige 1. Einführung und Übersicht 2. Das Einstichprobenproblem 3. Vergleich zweier unabhängiger Gruppen (unverbundene Stichproben) 4. Vergleich zweier abhängiger
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
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
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
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
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
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
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
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
MehrUm zu entscheiden, welchen Inhalt die Urne hat, werden der Urne nacheinander 5 Kugeln mit Zurücklegen entnommen und ihre Farben notiert.
7. Testen von Hypothesen ================================================================== 15.1 Alternativtest -----------------------------------------------------------------------------------------------------------------
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrDie Abfüllmenge ist gleich dem Sollwert 3 [Deziliter].
Eine Methode, um anhand von Stichproben Informationen über die Grundgesamtheit u gewinnen, ist der Hypothesentest (Signifikantest). Hier wird erst eine Behauptung oder Vermutung (Hypothese) über die Parameter
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
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
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
MehrGrundidee. χ 2 Tests. Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen. Grundidee. Annahme: Einfache Zufallsstichprobe (X 1,..., X n ).
Grundidee χ 2 -Anpassungstest χ 2 -Unabhängigkeitstest χ 2 -Homogenitätstest χ 2 Tests Grundidee Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen Annahme: Einfache Zufallsstichprobe (X 1,,
MehrStatistik Einführung // Tests auf einen Parameter 8 p.2/74
Statistik Einführung Tests auf einen Parameter Kapitel 8 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Tests
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
MehrPflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.
Pflichtlektüre: Kapitel 12 - Signifikanztest Überblick Signifikanztest Populationsparameter Ein Verfahren zur Überprüfung von Hypothesen, Grundlage bilden auch hier Stichprobenverteilungen, das Ergebnis
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
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrSoftware oder Tabellen (nicht Thema dieser Veranstaltung).
p-wert p-wert Der p-wert ist die Wahrscheinlichkeit, dass die Testgröße den beobachteten Wert oder einen noch extremeren Wert (,,weiter weg von H 0 ) annimmt unter der Bedingung, dass H 0 wahr ist. Bemerkungen
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
Mehr4. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
4. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Eine sächsische Molkerei füllt Milch in Tetrapacks ab. Es wird vermutet, dass die Füllmenge normalverteilt ist mit einem Erwartungswert
Mehr