Mathematische Statistik Teil III Testen
|
|
- Roland Stein
- vor 6 Jahren
- Abrufe
Transkript
1 Mathematische Statistik Teil III Testen R. Kovacevic 1 1 Institut für Statistik und Decision Support Systeme Universität Wien Wintersemester 2009
2 Dieses Werk ist urheberrechtlich geschützt. Jede Vervielfältigung ohne Zustimmung des Autors ist verboten.
3 Gliederung 1 Likelihood-Ratio Statistik 2 Bayesianische
4 Gliederung 1 Likelihood-Ratio Statistik 2 Bayesianische
5 Likelihood Ratio Statistik Im folgenden betrachten wir parametrische Modelle P θ wobei θ ein Parameter der Dimension p mit wahrem Wert θ 0 ist. ˆθ sei der Maximum-Likelihoodschätzer für θ 0. Denition Die Likelihood-Ratio Statistik ist dann durch W (θ 0 ) = 2 log L(θ 0) L (ˆθ ) = 2 [ ] l(ˆθ) l(θ 0 ) gegeben. Satz Die Likelihood-Ratio Statistik konvergiert unter den Regularitätsbedingungen in Verteilung gegen eine χ 2 p verteilte Zufallsvariable: wenn I (θ 0 ). W (θ 0 ) D χ 2 p, Für eindimensionale Verteilungen: χ 2 1
6 Pivots Beobachtung: Die Likelihood-Ratio Statistik ist eine zufällige Funktion von θ 0, deren (asymptotische) Verteilung nicht von θ abhängt... Denition Ein exaktes Pivot ist eine Funktion der Daten und des wahren Parameters, deren Verteilung bekannt ist, also nicht vom unbekannten wahren Parameter abhängt. Ein näherungsweises Pivot ist eine Funktion der Daten und des wahren Parameters, deren asymptotische Verteilung bekannt ist, also nicht vom unbekannten wahren Parameter abhängt. Exakte Pivots sind rar, aber asymptotische Pivots sind sehr häug. Die Likelihood-Ratio Statistik ist also ein asymptotisches Pivot.
7 Pivots und Kondenzbereiche Pivots spielen eine wichtige Rolle bei der Konstruktion von Kondenzintervallen. Vorgehensweise für eindimensionale Parameter, zweiseitiges (1 α) Kondenzintervall: Sei T (θ) ein Pivot mit] Verteilung P[T (θ 0 ) t] = F (t) [t α2 T (θ 0 ) t 1 α2 P P [t α2 T (θ 0 ) t 1 α2 ] = 1 α = 1 α, wobei t γ = F 1 (γ) Auösen der Ungleichung t α 2 T (θ 0 ) t 1 α nach 2 θ gibt einen Kondenzbereich für θ. Interpretation: Ein Zufallsexperiment (zb. mit Daten X 1,...,X n ) liefert ein Pivot, das die Konstruktion eines Kondenzbereiches erlaubt. Bei oftmaliger Wiederholung des Experimentes, würde der Kondenzbereich den wahren Parameter θ 0 mit Wahrscheinlichkeit 1 α überdecken.
8 Kondenzintervalle für ˆθ Die Likelihood-Ratio Statistik ist ein asymptotisches Pivot und kann somit zur Konstruktion von Kondenzintervallen für θ 0 verwendet werden. Wenn asymptotisch W (θ 0 ) χ 2 gilt und c p p(1 α) das 1 α-quantil der χ 2 p Verteilung bezeichnet, dann gilt P [W (θ 0 ) c p (1 α)] = 1 α und { K = θ : l(θ) l(ˆθ) 1 } 2 c p(1 α) ist ein 1 α-kondenzbereich für θ 0. Ein einfacher Test für die Hypothese θ 0 H 0 : Lehne die Hypothese ab, falls H K = /0.
9 Parameters of Interest Bisher haben wir stets alle Komponenten eines Parametervektors gleichwertig behandelt. Nun: θ T = ( ψ T,λ T ), wobei ψ (p 1) die primär interessanten Parameterkomponenten (parameter od interest) enthält. λ (q 1) heisst auch nuisance-parameter. Das Hauptaugenmerk liegt auf ψ, aber λ kann nicht vermieden werden...
10 Genestete Modelle Denition Zwei Modelle heissen genestet, wenn eines der beiden Modelle sich auf das andere reduziert, wenn ein Teil der Parameter xiert wird. Ein Modell mit Parametern (ψ 0,λ)ist in das allgemeinere Modell mit Parametern (ψ, λ) genestet. Die Parameterräume sind dann Ψ 0 Λ und Ψ Λ. Für das restriktivere Modell bezeichnet λ ψ0 jenen Wert von λ der die Log-Likelihood l(ψ 0,λ)maximiert. Der Schätzer ˆλ maximiert die Likelihood über beide Parameterteile: l( ˆψ,ˆλ). Es gilt: l( ˆψ,ˆλ) l(ψ 0,ˆλ)
11 Verallgemeinerte Likelihood-Ratio Statistik Eine natürliche Statistik um zwei genestete Modelle zu vergleichen: { } W p (ψ 0 ) = 2 l( ˆψ,ˆλ) l(ψ 0,ˆλ) Auch wenn nuisance-parameter geschätzt werden, folgt die Likelihood-Ratio Statistik unter den Regularitätsbedingungen asymptotisch einer χ 2 Verteilung: W p (ψ 0 ) D χ 2 p Die Funktion l p (ψ) = max l(ψ,λ) = l(ψ,ˆλ ψ ) λ heiÿt Prol-Log-Likelihood. (1 α)kondenzbereiche für ψ 0 sind durch die Menge { ψ : l p (ψ) l p ( ˆψ) 1 } 2 c p(1 α) gegeben.
12 Modellanpassung Bisher haben wir stets angenommen, dass das Modell bis auf den Parameterwert bekannt ist. In der Praxis ist das aber selten der Fall und es ist wichtig, die Modellannahmen zu Überprüfen. Eine Vorgehensweise ist es, das Untersuchte Modell in ein gröÿeres Modell (mit mehr Parametern) zu nesten und zu untersuchen, ob das gröÿere Modell signikant besser an die Daten angepasst ist. Idee: Wir suchen einen möglichst guten t, aber auch mit möglichst wenig zu schätzenden Parametern! Durch eine solche Vorgehensweise kann natürlich das RIsiko eines fundamentalen Fehlers in der spezizierten Modellklasse nicht beseitigt werden...
13 Modellanpassung Eine Vorgehensweise ist wiederum der Vergleich der verallgemeinerten Likelihood-Ratio Statistik. Alternative: Der Score-Test ψ hat Dimension p und[ λ hat Dimension ] q Wir schreiben I ψ,λ = E 2 l, etc. λ ψ T Idee: Wenn das restringierte ) Modell stimmt, sollte die maximale Log-Likelihood l (ψ 0,ˆλ ψ0 nicht zu stark in Richtung ψ ansteigen: ) Der Gradient l(ψ,λ), ausgewertet in (ψ ψ 0,ˆλ ψ0 sollte klein sein... ( ) Asymptotisch gilt: l ψ 0,ˆλ ψ ( ) 0 N ψ p 0,I ψψ I ψλ I 1 λλ I λψ Daraus folgt (asymptotisch): ) ) l (ψ 0,ˆλ ψ0 ( ) l (ψ 0,ˆλ I ψψ I ψ T ψλ I 1 ψ0 λλ I λψ χ 2 p ψ
14 Gliederung Likelihood-Ratio Statistik Bayesianische 1 Likelihood-Ratio Statistik 2 Bayesianische
15 Testproblem Likelihood-Ratio Statistik Bayesianische Statistisches Experiment: ( Ω,Σ,(P θ ) θ Θ ) Welches θ? Ein Testproblem liegt vor, wenn die Menge der möglichen Verteilungen (P θ ) θ Θ in zwei disjunkte Teilmengen P 0 und P 1 zerfällt und die Frage beantwortet werden soll, ob die tatsächliche Verteilung P θ0 aus P 0 oder aus P 1 stammt. P 0 heiÿt auch (Null-)Hypothese und P 1 Alternative oder Alternativhypothese. Ein Experiment heisst binär, wenn sowohl P 0, als auch P 1 jeweils genau eine Verteilung enthalten: (Ω,Σ,{P.Q})
16 Erwartungswerte: Schreibweise Bayesianische Im Folgenden setzen wir stets voraus, dass P θ eine Dichte bezüglich eines Wahrscheinlichkeitsmaÿes ν besitzt. E Pθ [h (X )] = h(x) dp θ (x) = h(x)f θ (x) dν(x) Spezialfälle: 1 Ω = R n, ν ist das Lebesguemaÿ, P hat die Lebesguedichte f : h(x)dp(x) = h(x)f (x)dx =... h(x 1,...,x n )f (x 1,...,x n )dx Ω = N 0, ν ist ein Zählmaÿ, f (i) eine Zähldichte h(x) dp(x) = h(i)f (i)
17 Testfunktion Likelihood-Ratio Statistik Bayesianische Denition Eine Abbildung ϕ : Ω [0,1] heiÿt Testfunktion oder kurz Test. Randomisierung nicht-randomisierte Testfunktion: Ω {0, 1} randomisierte Testfunktion: Ω [0, 1] Interpretation: ϕ (x) = 0= Entscheidung für Nullhypothese P 0 ϕ (x) = 1= Entscheidung für Alternative P 1 0 < ϕ (x) < 1= Entscheidung für Alternative P 1 mit Wahrscheinlichkeit ϕ (x)
18 Testfehler Likelihood-Ratio Statistik Bayesianische Denition Testfehler: 1 Fehler erster Art: Entscheidung für die Alternative Q (d.h. ϕ (x) = 1), obwohl P die wahre Verteilung ist. Die Wahrscheinlichkeit des Fehlers erster Art ist durch α (ϕ,p) = ϕ(x) dp(x) gegeben. 2 Fehler zweiter Art: Entscheidung für die Nullhypothese P (d.h. ϕ (x) = 0), obwohl Q die wahre Verteilung ist. Die Wahrscheinlichkeit des Fehlers erster zweiter Art ist durch β (ϕ,q) = (1 ϕ(x)) dq(x) gegeben. 3 Die Güte (power) eines Tests beträgt p(ϕ,q) = 1 β (ϕ,q) = ϕ(x) dq(x)
19 Testparadigmen Likelihood-Ratio Statistik Bayesianische Es gibt zwei grundlegende Herangehensweisen, um Tests für das binäre Testproblem zu konstruieren. 1 : Ein Signikanzniveau α wird fest vorgegeben. Gesucht wird dann ein ϕ mit s.t. ϕ(x) dq(x) ϕ(x) dp(x) max α 2 Bayes-: Sei 0 λ 1 eine a-priori Gewichtung der beiden Ziele. Gesucht wird dann ein ϕ mit (1 λ) ϕ(x) dp(x) + λ (1 ϕ(x)) dq(x) min ϕ
20 Neyman-Pearson Tests Bayesianische Sei (Ω, Σ,(P, Q)) ein statistisches Experiment. P habe Dichte f und Q habe Dichte g. Bereiche: N = {x : f (x) = 0 g(x) > 0} M = {x : f (x) = 0 g(x) > 0} A = {x : f (x) = 0 g(x) > 0}
21 Neyman-Pearson Tests Bayesianische Denition Nicht randomisierte Neyman-Pearson Tests haben die Form ϕ(x) = 0 für X M ϕ(x) = ϕ(x) = 1 für X N { 1 falls g(x) f (x) > γ 0 sonst für X A und ein γ > 0 N (P, Q) bezeichnet die Familie der Neyman Pearson Tests mit Hypothesen P und Q.
22 Neyman Pearson Tests Bayesianische Satz Wenn ϕ N (P,Q) ein Neyman-Pearson Test ist, so gilt 1 0 ϕ dp 1 P (M) 2 Sei ψ ein beliebiger anderer Test, so gilt ϕ dq [ ψ dq γ ϕ dp ψ dp ] 3 Q (N) ϕ dq 1
23 Neyman Pearson Tests randomisiert Bayesianische Denition Randomisierte Neyman-Pearson Tests haben die Form ϕ(x) = 0 für X M ϕ(x) = 1 für X N 1 falls g(x) f (x) > γ ϕ(x) = b(γ) falls g(x) f (x) = γ 0 sonstfalls g(x) f (x) < γ für X A und ein γ > 0 Konstruktion von Tests die genau den vorgeschriebenen Fehler 1. Art erreichen Konvexizierung der Menge aller Tests: Wenn ϕ 1 und ϕ 2 Tests sind, so ist auch λϕ 1 + (1 λ)ϕ 2 für 0 λ 1 ein randomisierter Test.
24 Neyman-Pearson Lemma Bayesianische Satz (Lemma) Für jedes 0 α 1 P(M) gibt es einen (randomisierten) Neyman-Pearson Test zum Niveau (Fehler 1. Art) α. Satz (Neyman-Pearson Lemma) Sei ϕ ein Neyman-Pearson Test und ψ ein beliebiger anderer Test. 1 Falls ψ dp ϕ dp so folgt ψ dq ϕ dq. 2 Falls ϕ dq ψ dq so folgt ϕ dp ψ dp. 3 Also gilt: ϕα dq = sup{ ψ dq : ψ ist ein Test mit ψ dp α}
25 Beste Tests Likelihood-Ratio Statistik Bayesianische Denition Ein test ϕ heisst bester Test (most powerful), falls es keinen Test ψ gibt mit ϕ dp ψ dp und ϕ dq ψ dq. In diesem Sinne sind alle Neyman-Pearson Tests beste Tests.
26 Gütefunktion Likelihood-Ratio Statistik Bayesianische Verteilung des Likelihoodquotienten unter der Alternative P: GP (γ) = P ( ) g(x ) f (X ) γ Fehler 1. Art: 1 GP (γ) = α Verteilung des Likelihoodquotienten unter der Alternative Q: GQ (γ) = Q ( ) g(x ) f (X ) γ Fehler 2. Art: Gütefunktion GQ (γ) 1 GQ (γ)
27 Bemerkungen Likelihood-Ratio Statistik Bayesianische Neyman-Pearson Tests beruhen auf dem Dichtequotienten T (x) = g(x) f (x) als Teststatistik. Dieser spielte auch im Likelihood-ratio Kapitel eine wirkliche Rolle. Dort ging es allerdings aum asymptotische Tests/Kondenzintervalle, während in der Neyman-Pearson die Verteilung des Quotienten bei endlichem Stichprobenumfang entscheidend ist. Es gibt zwei Versionen der Ablehnregel: Ablehnung von H 0, falls T (X ) > γ(α) mit Randomisierung für den Fall T (X ) = γ(α). Ablehnung von H 0, falls 1 F (T (X )) < α, wobei F die Verteilungsfunktion des Dichtequotienten unter P ist. Dieses Vorgehen wird insbesondere in statistischen Programmpaketen gewählt: Der ausgegebene Wert ist 1 F (T (X )), die Überschreitungswahrscheinlichkeit, oder p-wert des Tests. Dabei wird zu jedem gegebenen α automatisch der konservative Test ausgeführt, es wird keine Randomisierung vorgenommen.
28 Eziente Randfunktion Bayesianische Denition Unter der (ezienten) Randfunktion des Testproblems versteht man } h(α) = sup{ ϕ dq : ϕ dp α. Satz ( Falls P Q, so gilt h(α) = 1 G Q G 1 (1 α)) P (Lemma) Die eziente Randfunktion hat folgende Eigenschaften: 1 h ist strikt monoton wachsend in [0,1 P (M)] 2 h ist nichtnegativ, konkav und stetig 3 h(0) = Q(N) und h(α) = 1 für α 1 P(M)
29 Bayes Test Likelihood-Ratio Statistik Bayesianische Sei 0 λ 1 eine a-priori Gewichtung der beiden Ziele. Gesucht wird dann ein ϕ mit (1 λ) ϕ(x) dp(x) + λ (1 ϕ(x)) dq(x) min (1) ϕ Satz (Lemma) Die Lösung ϕ des Optimierungsproblems (1) ist durch den Neyman-Pearson Test { ϕ 1 falls g > 1 λ f (x) = λ 0 falls g 1 λ f λ gegeben.
30 Fehlerfunktion Likelihood-Ratio Statistik Bayesianische Denition Die bayesianische Fehlerfunktion k(λ) eines binären Testproblems (P,Q) ist durch { } k(λ) = inf (1 λ) ϕ(x) dp(x) + λ (1 ϕ(x)) dq(x) ϕ gegeben. Entspricht dem Bayes-Risiko (Entscheidungstheorie)
31 Bayesianische Denition Ein Testexperiment ( ) Ω,Σ,H 0 :.{P θ } θ Θ0 H 1 : {Q θ } θ Θ1 wird als Testexperiment mit zusammengesetzten Alternativen bezeichnet. Insbesondere: H 0 : θ θ 0, H 1 : θ > θ 0 etc. Problem: Die Testfehler und alle darauf beruhenden Begrie hängen jetzt prinzipiell noch von unterschiedlichen Werten die in Null- und Alternativhypothese möglich sind, ab.
32 Denitionen Likelihood-Ratio Statistik Bayesianische Denitionen Sei ϕ ein Test für das Problem H 0 :.{P θ } θ Θ0 1 ϕ hat Niveau (level) α, falls max θ Θ 0 ϕ dp θ = α. H 1 : {Q θ } θ Θ1 2 Die Gütefunktion (power function) von ϕ ist θ ϕ dp θ. 3 Ein Test ϕ heiÿt unverfälscht (unbiased), wenn er Niveau α hat und ϕ dp θ α, θ Θ 1
33 Denitionen Likelihood-Ratio Statistik Bayesianische Denitionen Sei ϕ ein Test für das Problem H 0 :.{P θ } θ Θ 0 H 1 : {Q θ } θ Θ 1 1 ϕ wird als gleichmäÿig bester Test (uniformly most powerful test - UMP) zum Niveau α bezeichnet, falls { } ϕ dp θ = sup ψ dp θ : ψ dp θ α θ Θ 0 θ Θ 1 ψ 2 ϕ heiÿt zulässig (admissible), falls es keinen Test ψ mit Niveau α gibt mit ϕ dp θ ψ dp θ θ Θ 1 und ϕ dp θ < ψ dp θ für mindestens ein θ Θ 1. 3 ϕ heiÿt Maximin-Test, falls { } { { } } inf ϕ dq θ = sup inf ϕ dp θ : ϕ dp θ Θ 1 ϕ θ Θ α θ Θ 1 θ 0
34 Bayesianische Denition Sei (P θ ) θ [a,b] eine Familie von Verteilungen mit Dichte (WF) f θ. Solch eine Familie hat monotonen Dichtequotienten (Monotone likelihood ratio), falls eine Statistik S(x) und für θ 0 < θ 1 eine streng monoton wachsende Funktion x h θ0,θ 1 (x) gibt, sodaÿ f θ1 (x) f θ0 (x) = h θ 0,θ 1 (S(x)).
35 Bayesianische Satz Sei (P θ ) θ [a,b] eine Familie mit monotonem Dichtequotienten. Für das Testproblem H 0 : θ θ 0 vsh 1 : θ > θ 0 gibt es einen gleichmäÿig besten (UMP) Test ϕ. Dieser ist durch den Neyman-Pearson test für das Problem H 0 : θ = θ 0 vsh 1 : θ = θ 1 für irgendein θ 1 > θ 0 gegeben. Der resultierendetest hat - mit S(X ) aus Denition (20) - die Form 1 S(x) > γ ϕ(x) = b S(x) = γ. 0 S(x) < γ
36 Einparametrige Exponentialfamilien Bayesianische Satz Einparametrige Exponentialfamilien mit suzienter Statistik T(X ) sind. Der UMP Test für H 0 : θ θ 0 vsh 1 : θ > θ 0 ist durch 1 T (x) > γ ϕ(x) b T (x) = γ. 0 T (x) < γ Beispiel Seien X 1,...,X n i.i.d. N ( θ,σ 2). Teste H 0 : θ θ 0 vsh 1 : θ > θ 0.
37 Anhang Beste unverzerrte Tests Satz Für zweiseitige Tests H 0 : θ = θ 0 vsh 1 : θ θ 0 existieren keine gleichmäÿig besten Tests. Unter Umständen können beste unverzerrte Tests konstruiert werden. Sei f θ eine einparametrige (θ) Exponentialfamilie mit suzienter Statistik T(X ). Für das Testproblem H 0 : θ = θ 0 vsh 1 : θ θ 0 gibt es einen gleichmäÿig besten unverfälschten test (uniformly most powerful unbiased test, UMP), der durch durch eine Testfunktion der Form 1 T (x) > γ 2 T(x) < γ 1 b ϕ(x) 1 T (x) = γ 2 b2. T (x) = γ 1 0 γ 1 < T (x) < γ 2 gegeben ist. Die Konstanten γ 1,γ 2 bestimmen sich aus den Gleichungen ϕ(x)dp ϑ 0 (x) = α, T (x)ϕ(x)dp ϑ 0 (x) = α T (x)dp ϑ 0 (x)
38 Anhang Weiterführende Literatur Weiterführende Literatur I
Signifikanztests Optimalitätstheorie
Kapitel Signifikanztests Optimalitätstheorie Randomisierte Tests In einem statistischen Modell M, A, P ϑ sei ein Testproblem gegeben: H : ϑ Θ gegen H : ϑ Θ ; wobei also durch Θ Θ Θ eine Zerlegung des Parameterbereichs
Mehr2.2 Klassische Testtheorie
192 2.2.1 Problemstellung Ziel: Finde Test zum Niveau mit optimaler Güte (Power) für 2 1.Dabeiistn finit. Problemstellung: I Sei der Parameterraum; die Hypothesen seien H 0 : 2 0 vs. H 1 : 2 1, mit 0 \
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
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
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
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
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
MehrKonfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,
Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden
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,...,
MehrEinführung in die statistische Testtheorie II
1 Seminar: Simulation und Bildanalyse mit Java Einführung in die statistische Testtheorie II Guntram Seitz Sommersemester 2004 1 WIEDERHOLUNG 2 1 Wiederholung Grundprinzip: Annahme: Beobachtungen bzw.
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
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:
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
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
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 30. September 2011 Till Breuer und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie
MehrPraktikum zur Statistik
mit R Institut für Mathematische Statistik Universität Münster 7. Oktober 2010 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie Andere Entscheidungsprobleme 2 3 4 p-wert, Binomialtest Mittelwertvergleiche:
Mehr4.2 Methoden um Tests zu finden: Likelihood Quotienten Tests (LRT) Falls X 1,..., X n iid aus f(x θ), so gilt für die Likelihood Funktion
4.2 Methoden um Tests zu finden: Likelihood Quotienten Tests (LRT) Falls X 1,..., X n iid aus f(x θ), so gilt für die Likelihood Funktion L(θ x) = f(x θ) = n f(x i θ). Falls L(θ x) > L(θ x), für θ, θ Θ,
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrBootstrap-Methoden zur Ermittlung kritischer Werte für asymptotische FWER-Kontrolle
Bootstrap-Methoden zur Ermittlung kritischer Werte für asymptotische FWER-Kontrolle [Dudoit, van der Laan, Pollard: Multiple Testing. Part I Single-Step Procedures for Control of General Type-I-Error Rates]
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
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
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
MehrStatistik. Andrej Depperschmidt. Sommersemester 2016
Statistik Andrej Depperschmidt Sommersemester 2016 Schätzen der Varianz mit Stichprobenmittel Sei X = (X 1,..., X n ) eine Stichprobe u.i.v. ZV mit E[X i ] = µ R, Var[X i ] = σ 2 (0, ) und µ 4 = E[(X i
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
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.
MehrMathematische Statistik Teil II Schätzen
Mathematische Statistik Teil II Schätzen R. Kovacevic 1 1 Institut für Statistik und Decision Support Systeme Universität Wien Wintersemester 2009 Dieses Werk ist urheberrechtlich geschützt. Jede Vervielfältigung
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
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
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
MehrStatistik IV. Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II
Statistik IV Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II Prof. Dr. Torsten Hothorn Institut für Statistik Ludwig Maximilians Universität München L A
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
MehrStochastik I - Formelsammlung
Stochastik I - Formelsammlung Ereignis Ergebnisraum: Ω von Julian Merkert, Wintersemester 2005/06, Prof. Bäuerle Ereignisse und Wahrscheinlichkeiten Ereignis: A Ω Elementarereignis: {ω}, ω Ω A B := AB
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
Mehr5. Elemente Statistischer Inferenz
5. Elemente Statistischer Inferenz Ziel der Statistik ist es, unter bestimmten Annahmen Aussagen über unbekannte Parameter θ Θ zu machen, nachdem Beobachtungen X gemacht wurden. Dabei unterscheidet man
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
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,
MehrStep-Down Prozeduren
Step-Down Prozeduren zur Kontrolle der Family-Wise Error Rate WS 2010/2011 Jakob Gierl HU Berlin 07.02.2011 1 / 19 Modell Schrittweise Step-Down Modell mathematische Stichprobe X 1,..., X n iid im R J
MehrDie partielle Likelihood-Funktion
Die partielle Likelihood-Funktion Roger Züst 12. Juni 26 1 Repetition: Maximum-Likelihood-Methode Hat man n unabhängige Beobachtungen x 1, x 2,..., x n einer Zufallsvariablen X und eine Familie von möglichen
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
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
MehrDas Bayes'sche Prinzip
Das Bayes'sche Prinzip Olivia Gradenwitz Patrik Kneubühler Seminar über Bayes Statistik FS8 26. Februar 28 1 Bayes'sches statistisches Modell 1.1 Statistische Probleme und statistische Modelle In diesem
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
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
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
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)
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
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:
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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.
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
MehrÜbungsblätter zur Mathematischen Statistik WS 2010/ Institut für Statistik und Decision Support Systems Universität Wien October 25, 2010
Übungsblätter zur Mathematischen Statistik WS 00/ 0 Institut für Statistik und Decision Support Systems Universität Wien October 5, 00 WAHRSCHEINLICHKEITSVERTEILUNGEN Wahrscheinlichkeitsverteilungen Ziele:
MehrKapitel IX - Neyman-Pearson-Tests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IX - Neyman-Pearson-Tests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Ausgangssituation:
MehrNichtparametrische Statistik - Abschnitt 29: Die Pitmanschen Permutationstests
Nichtparametrische Statistik - Abschnitt 29: Die Pitmanschen Permutationstests Seminarvortrag Blockseminar zur Wahrscheinlichkeitstheorie Master of Science Westfälische Wilhelms-Universität Münster Fachbereich
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,
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
Mehr2.2 Klassische Testtheorie
2.2 Klassische Testtheorie iel: Finde Test zum Niveau mit optimaler Güte (Power) für 2 1. Dabei ist n finit. 2.2.1 Problemstellung Sei der Parameterraum; die Hypothesen seien H 0 : 2 0 vs. H 1 : 2 1, mit
Mehr1. Übungsblatt. n i=1 X i und von ˆσ 2 = 1 n 1
1. Übungsblatt 1. Es sei (X, Y ) ein zweidimensionaler Zufallsvektor mit Y L 2. Folgere aus den Eigenschaften der bedingten Erwartung, dass der Ausdruck E[(Y g(x)) 2 ] für messbare Funktionen g : R R mit
MehrBAYES SCHE STATISTIK
BAES SCHE STATISTIK FELIX RUBIN EINFÜHRUNG IN DIE STATISTIK, A.D. BARBOUR, HS 2007 1. Einführung Die Bayes sche Statistik gibt eine weitere Methode, um einen unbekannten Parameter θ zu schätzen. Bisher
MehrDie Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare
17.1.3 Die Momentenmethode Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare Lösungen. Sei ϑ = (ϑ 1,...,ϑ s ) der unbekannte, s-dimensionale
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrMathematische Statistik Gliederung zur Vorlesung im Wintersemester 2006/07
Mathematische Statistik Gliederung zur Vorlesung im Wintersemester 26/7 Markus Reiß Universität Heidelberg reiss@statlab.uni-heidelberg.de VORLÄUFIGE FASSUNG: 9. Februar 27 Inhaltsverzeichnis 1 Einführende
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrKapitel III - Grundannahmen der schließenden Statistik
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel III - Grundannahmen der schließenden Statistik Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrNeyman-Pearson. - Schulen statistischer Inferenz - Christian Schnell. betreut von Dr. Marco Cattaneo
Neyman-Pearson - Schulen statistischer Inferenz - Christian Schnell betreut von Dr. Marco Cattaneo Seminar für methodologische und historische Grundlagen des Wahrscheinlichkeitsbegriffs und der statistischen
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrModellanpassung. Einführung in die induktive Statistik. Statistik. Statistik. Friedrich Leisch
Modellanpassung Einführung in die induktive Statistik Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München SS 2009 Statistik Statistik Wahrscheinlichkeitsrechnung: Gesetze bekannt,
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
MehrEinführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen
Einführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Inhalt Stichproben
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrBeispiel 8.1 Die Sommerfeldsche Feinstrukturkonstante Alpha hat einen Zahlenwert von
Kapitel 8 Statistische Tests 8.1 Begriffsbildung und Beispiele Beispiel 8.1 Die Sommerfeldsche Feinstrukturkonstante Alpha hat einen Zahlenwert von a 0 1 137.036. Der genaue Wert ist bis auf 10 15 genau
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
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:
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
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
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
Mehr1. Übungsblatt zur Statistik III - Schätzen und Testen
1. Übungsblatt zur Aufgabe 1 (4 Punkte): Ein Würfel mit unbekannter Anzahl k IN von Seiten wird fünf mal geworfen mit folgendem Ergebnis: 7, 2, 11, 4, 10. Geben Sie zwei verschiedene sinnvolle Punktschätzfunktionen
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrEinführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie
Einführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie Jung Kyu Canci Universität Basel HS2015 1 / 15 Literatur Kapitel 6 Statistik in Cartoons : Kapitel 8 Krengel : 6 und 14 Storrer
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 +... +
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
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrComputergestützte Datenanalyse in der Kern- und Teilchenphysik
Computergestützte Datenanalysein der Kern- und Teilchenphysik p. 1/?? Computergestützte Datenanalyse in der Kern- und Teilchenphysik Vorlesung 4 Jan Friedrich Computergestützte Datenanalysein der Kern-
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrFormelsammlung zur Vorlesung Schätzen und Testen I
Schätzen und Testen I WS 2008/09 Ludwig Fahrmeir, Christian Heumann, Christiane Dargatz Formelsammlung zur Vorlesung Schätzen und Testen I 1 Einführung in statistische Modelle und Inferenzkonzepte 1.1
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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:...
Mehr