Kapitel IX - Neyman-Pearson-Tests
|
|
- Dominik Hartmann
- vor 6 Jahren
- Abrufe
Transkript
1 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
2 Ausgangssituation: Einfache Testsituation Γ = {γ 0, γ 1 }, Γ 0 = {γ 0 }, Γ 1 = {γ 1 }, γ 0 γ 1 Damit: H 0 : γ = γ 0, H 1 : γ = γ 1. Kapitel IX - Neyman-Pearson-Tests 2
3 Unterscheidung bei zwei verschiedenen radioaktiven Elementen: Anzahl der Zufallsprozesse im Zeitraum t: Poissonverteilt mit Parameter λ hängt zusammen mit der Halbwertzeit des Elements. Substanz A habe Parameter λ 0 = 1 Substanz B habe Parameter λ 1 = 2 Kapitel IX - Neyman-Pearson-Tests 3
4 5 Versuche: Anzahl der Zufallsprozesse: X 1, X 2, X 3, X 4, X 5 Zahlenbeispiel: x 1 = 0, x 2 = 2, x 3 = 1, x 4 = 0, x 5 = 1 Wahrscheinlichkeit für dieses Ergebnis beim Parameter λ: P λ (X = x) = n j=1 λ x j x j! e λ = Für λ 0 = 1 : = e 5 2 = Für λ 1 = 2 : = 24 e 10 2 λ x 1!x 2!x 3!x 4!x 5! j=1 x j e nλ = 8e 10 = Kapitel IX - Neyman-Pearson-Tests 4
5 Also P λ0 (X = x) > P λ1 (X = x) und damit ist Substanz A eine sinnvolle Entscheidung. Kapitel IX - Neyman-Pearson-Tests 5
6 Bei H 0 : λ = λ 0 gegen H 1 : λ = λ 1 entspricht diese Vorgehensweise der Entscheidungsfunktion: { d0 P δ(x) = λ0 (X = x) > P λ1 (X = x) sonst. d 1 Kapitel IX - Neyman-Pearson-Tests 6
7 Das Entscheidungskriterium für d 0 lässt sich umformen: x j x j P λ0 (X = x) > P λ1 (X = x) λ j=1 0 e nλ 0 x 1!x 2!x 3!x 4!x 5! > λ j=1 1 e nλ 1 x 1!x 2!x 3!x 4!x 5! x j x j j=1 1 e nλ 1 ( ) n x λ1 j j=1 λ 2 j=1 λ0 e nλ 0 > λ enλ 1 e nλ 0 > n(λ 1 λ 0 ) > j=1 x j (ln λ 1 ln λ 0 ) j=1 x j < n(λ 1 λ 0 ) ln λ 1 ln λ 0 Kapitel IX - Neyman-Pearson-Tests 7
8 x j < n(λ 1 λ 0 ) ln(λ 1 ) ln(λ 0 ) j=1 Konkret für n = 5, λ 0 = 1 und λ 1 = 2: P λ0 (X = x) > P λ1 (X = x) 5 j=1 x j < 5 ln(2) = 7.21 Kapitel IX - Neyman-Pearson-Tests 8
9 Damit lautet die Entscheidungsfunktion in anderer Formulierung: δ(x) = d 0 d 1 5 x j < 7.21 (bzw. 7) j=1 sonst Damit gilt für die Fehlerwahrscheinlichkeit 1. Art: P λ0 (δ(x ) = d 1 ) = P λ0 X j 7.21 (nλ 0 ) k = k! = k=8 j=1 5 k k! e 5 = 1 7 k=0 k=8 5 k k! e 5 = e nλ 0 Kapitel IX - Neyman-Pearson-Tests 9
10 Der Fehler 2. Art (H 0 wird fälschlicherweise angenommen, wenn bei λ 1 Entscheidung d 0 getroffen wird, also ist.) Damit gilt für die Fehlerwahrscheinlichkeit 2. Art: P λ1 (δ(x ) = d 0 ) = P λ1 ( = 7 k=0 X j < 7.21) = j=1 10 k k! e 10 = j=1 7 (5λ 1 ) k k=0 k! x j 7 e 5λ 1 Kapitel IX - Neyman-Pearson-Tests 10
11 Für die vier Konstellationen für Parameter und Entscheidung gilt also: P.( ) λ = λ 0 λ = λ 1 d = d d = d und d 1 Wahrscheinlichkeiten für die Entscheidungen d 0 Verkleinerung der Fehlerwahrscheinlichkeit 1. Art durch Lockerung des Kriteriums für d 0 : P λ0 (X = x) > P λ1 (X = x) Kapitel IX - Neyman-Pearson-Tests 11
12 Neues Kriterium für d 0 mit k > 0: k P λ0 (X = x) P λ1 (X = x) 0 < k < 1) oder (Lockerung für k > 1, Verschärfung für P λ1 (X =x) P λ0 (X =x) k Kapitel IX - Neyman-Pearson-Tests 12
13 D.h. Entscheidung d 1 wird nur getroffen, wenn die Wahrscheinlichkeit für x bei λ 1 um den Faktor k größer ist als die Wahrscheinlichkeit für x bei λ 0 : P λ1 (X = x) P λ0 (X = x) > k P λ 1 (X = x) > kp λ0 (X = x) Das Verhältnis P λ1 (X = x) P λ0 (X = x) wird als Wahrscheinlichkeitsquotient bezeichnet. Kapitel IX - Neyman-Pearson-Tests 13
14 Im Beispiel gilt: P λ1 (X = x) P λ0 (X = x) = Damit ist (λ 0 < λ 1 ): P λ1 (X = x) P λ0 (X = x) k ( λ1 λ 0 ) n j=1 x j e n(λ 1 λ 0 ) x i ln k + n(λ 1 λ 0 ) ln λ 1 ln λ 0 Kapitel IX - Neyman-Pearson-Tests 14
15 Bei n = 5, λ 0 = 1, λ 1 = 2:... x i ln k + 5 ln 2 Damit lautet die Entscheidungsfunktion: d 0 x i δ k (x 1,..., x n ) = d 1 x i > ln k+5 ln 2 ln k+5 ln 2 Kapitel IX - Neyman-Pearson-Tests 15
16 Da n x i ganzzahlig ist, sind nur ganzzahlige Schranken für x i interessant: δ c (x 1,..., x n ) = mit c = 0, 1, 2, 3,.... d 0 d 1 x i c x i > c Kapitel IX - Neyman-Pearson-Tests 16
17 Für δ c erhalten wir die Fehlerwahrscheinlichkeit: P I (δ c, λ 0 ) = P λ0 ( P II (δ c, λ 1 ) = P λ1 ( X i > c) = X i c) = j=c+1 (nλ 0 ) j j! c (nλ 1 ) j j=0 j! e nλ 0 e nλ 1 Bei n = 5, λ 0 = 1, λ 1 = 2 können wir diese Werte abhängig von c tabellieren:... Kapitel IX - Neyman-Pearson-Tests 17
18 ... c P I (δ c, λ 0 ) P II (δ c, λ 1 ) Kapitel IX - Neyman-Pearson-Tests 18
19 Zusammenfassung: Prinzip der Vorgehensweise Vergleich der Wahrscheinlichkeiten des eingetretenen Stichprobenergebnisses bei den beiden Parametern Entscheidung d 1 für die Gegenhypothese nur, wenn die Plausibilität hoch ist, d.h. die Wahrscheinlichkeit bei γ 1 um den Faktor k größer ist als bei γ 0 Der Faktor k ist unter Beurteilung der Fehlerwahrscheinlichkeiten 1. und 2. Art festzulegen Kapitel IX - Neyman-Pearson-Tests 19
20 Falls P γ0 (X = x) 0 ist, kann damit die Entscheidung in Abhängigkeit vom Wahrscheinlichkeitsquotienten Q(x) = P γ 1 (X = x) P γ0 (X = x) festgelegt werden (disketer Fall). Ergänzt wird diese Definition durch Q(x) = für P γ0 (X = x) = 0. Kapitel IX - Neyman-Pearson-Tests 20
21 Im stetigen Fall verwenden wir die Dichtefunktion zur Definition des Wahrscheinlichkeitsquotienten wobei wir ebenfalls ergänzen. Q(x) = f X,γ 1 (x) f X,γ0 (x), Q(x) = für f X,γ0 (x) = 0 Kapitel IX - Neyman-Pearson-Tests 21
22 Ein Test auf der Basis des Wahrscheinlichkeitsquotienten mit Schranke k lautet damit { d0 Q(x) k δ k (x 1,..., x n ) = Q(x) > k Ein solcher Test wird auch als Neyman-Pearson-Test bezeichnet. Zur Beurteilung dieses Tests und der Festlegung der Schranke k berechnen wir die Fehlerwahrscheinlichkeit 1. Art aus d 1 P I (δ k, γ 0 ) = P γ0 (Q(X ) > k) = 1 P γ0 (Q(X ) k) = 1 F Q(X ),γ0 (k). Kapitel IX - Neyman-Pearson-Tests 22
23 Dabei ist F Q(X ) die Verteilungsfunktion der Zufallsvariable Q(X ) beim Parameter γ 0. Soll also die Fehlerwahrscheinlichkeit eine Schranke α nicht überschreiten (Test zum Niveau α), so muss zunächst die Verteilungsfunktion der Zufallsvariable Q(X ) und damit das (1 α)-quantil unter Gültigkeit von Parameter γ 0 bestimmt werden. Kapitel IX - Neyman-Pearson-Tests 23
24 Beispiele: Wahrscheinlichkeitsquotient 1. Bernoulli-Verteilung P p (X = x) = p Q(x) = P p 1 (X = x) P p0 (X = x) x i x i (1 p) n n = p 1 (1 p 1 ) n = x i p0 (1 p 0 ) n ( ) n p1 p 0 x i x i x i x i ( 1 p1 1 p 0 ) n x i Der Wahrscheinlichkeitsquotient hängt also direkt ab vom Wert der suffizienten und vollständigen Statistik T (x) = x i. Kapitel IX - Neyman-Pearson-Tests 24
25 Zur Berechnung der Verteilungsfunktion F Q(X ) stellen wir zunächst fest Q(x) = ( ) n p1 ) n x i x i ( 1 p1 k p 0 1 p 0 ( ) ( ) p1 ( ) 1 p1 x i ln + n x i ln ln k p 0 1 p 0 ( ) ( )) ( ) p1 1 p1 1 p1 x i (ln ln ln k n ln p 0 1 p 0 1 p 0 Kapitel IX - Neyman-Pearson-Tests 25
26 Für p 0 < p 1 und damit ln p 1 > ln p 0 und ln(1 p 0 ) > ln(1 p 1 ) : Q(x) k x i ln k n ln(1 p 1) + n ln(1 p 0 ) ln p 1 ln p 0 + ln(1 p 0 ) ln(1 p 1 ) Für p 0 > p 1 und damit ln p 1 < ln p 0 und ln(1 p 0 ) < ln(1 p 1 ) : Q(x) k x i ln k n ln(1 p 1) + n ln(1 p 0 ) ln p 1 ln p 0 + ln(1 p 0 ) ln(1 p 1 ) Kapitel IX - Neyman-Pearson-Tests 26
27 Damit ist ( ) P(Q(X ) k) = P X i ln k n ln(1 p 1) + n ln(1 p 0 ) ln p 1 ln p 0 + ln(1 p 0 ) ln(1 p 1 ) ( ) bzw. P X i ln k n ln(1 p 1) + n ln(1 p 0 ) ln p 1 ln p 0 + ln(1 p 0 ) ln(1 p 1 ) Kapitel IX - Neyman-Pearson-Tests 27
28 X i ist binomialverteilt mit Parameter p 0 bzw. p 1, also diskret mit ganzzahligen Werten. Der Wert der Verteilungsfunktion ändert sich damit nur bei ganzzahligen Werten der rechten Seite der Ungleichungen. Die Entscheidungsfunktion { d0 Q(x) k δ k (x 1,..., x n ) = Q(x) > k kann folglich auch direkt in Abhängigkeit vom Auswertungsergebnis bei der suffizienten und vollständigen Statistik n d 1 x i geschrieben werden:... Kapitel IX - Neyman-Pearson-Tests 28
29 ... abhängig von n x i: δ c (x 1,..., x n ) = d 0 d 1 x i c x i > c bzw. δ c (x 1,..., x n ) = d 0 d 1 x i c x i < c Die unterschiedlichen Ungleichheitszeichen sind plausibel, da bei p 0 < p 1 große Werte von n p 0 > p 1 aber eher für p 0 naheliegend sind. x i für p 1 sprechen, bei Kapitel IX - Neyman-Pearson-Tests 29
30 Formal folgt dies daraus, dass bei p 0 < p 1 der Wahrscheinlichkeitsquotient monoton in n x i steigt, bei p 0 > p 1 monoton in n x i fällt. Die Fehlerwahrscheinlichkeit 1. bzw. 2. Art kann dann unmittelbar aus der Binomialverteilung in Abhängigkeit von c berechnet werden. Für den Test zum Niveau α suchen wir ein c mit P p0 ( X i > c) α für p 0 < p 1 bzw. P p0 ( X i < c) α für p 0 > p 1 Kapitel IX - Neyman-Pearson-Tests 30
31 Zahlenbeispiel: Gesucht ist ein Test zum Niveau α = 0.05 für H 0 : p 0 = 0.1 gegen H 1 : p 1 = 0.2 mit Stichprobenumfang n = 10. Der Test lautet damit (p 0 < p 1 ) d 0 x i c δ c (x 1,..., x n ) = d 1 x i > c Kapitel IX - Neyman-Pearson-Tests 31
32 Also ist die Fehlerwahrscheinlichkeit 1. Art: P 0.1 ( ) ( X i > c = 1 P 0.1 = 1 c k=0 = 1 c k=0 ( n k ) X i c ) p k (1 p) n k ( 10 ) k 0.1 k (1 0.1) 10 k Kapitel IX - Neyman-Pearson-Tests 32
33 Die Werte der Summe entnehmen wir einer Tabelle der kumulierten Binomialverteilung und bekommen: c P( X i c) P( X i > c) Kumulierte Binomialverteilung für n = 10 und p = 0.1 δ c ist ein Test zum Niveau α = 0.05, wenn c = 3 oder größer gewählt wird. Kapitel IX - Neyman-Pearson-Tests 33
34 Die Fehlerwahrscheinlichkeit 2. Art ist P 0.2 ( X i c) c P( X i c) Kumulierte Binomialverteilung für n = 10 und p = 0.2 Man wird c = 3 wählen, um diese möglichst klein zu halten. Kapitel IX - Neyman-Pearson-Tests 34
35 Beispiel: Exponentialverteilung f X,λ (x 1,..., x n ) = Q(x) = f X,λ 1 (x 1, x 2,..., x n ) f X,λ0 (x 1, x 2,..., x n ) = λn 1 e n λe λ x i für x 1,..., x n > 0 λ 1 x i ( λ1 = λ n 0 x i λ 2 0 e λ ) n e (λ 1 λ 0 ) n x i Kapitel IX - Neyman-Pearson-Tests 35
36 Folglich gilt e (λ 1 λ 0 ) Q(x) = (λ 1 λ 0 ) ( λ1 λ 0 x i k ( λ0 λ 1 ) n e (λ 1 λ 0 ) n ) n x i k x i ln k + n(ln λ 0 ln λ 1 ) für λ 1 > λ 0 : für λ 1 < λ 0 : x i ln k + n(ln λ 0 ln λ 1 ) λ 0 λ 1 x i ln k + n(ln λ 0 ln λ 1 ) λ 0 λ 1 Kapitel IX - Neyman-Pearson-Tests 36
37 Damit haben wir für λ 1 > λ 0 den Test d 0 x i c = ln(k )+n(ln(λ 0 ) ln(λ 1 ) λ 0 λ 1 ) δ c (x 1,..., x n ) = d 1 x i < c = (Große Werte von x i sprechen bei der Exponentialverteilung für kleine λ.) und für λ 1 < λ 0 den Test d 0 x i c δ c (x 1,..., x n ) = d 1 x i > c Kapitel IX - Neyman-Pearson-Tests 37
38 Im Unterschied zu Beispiel 1 sind für c auch nichtganzzahlige Werte sinnvoll. Damit ist die Fehlerwahrscheinlichkeit 1. Art für λ 0 < λ 1 : P I (δ c, λ 0 ) = P λ0 ( für λ 0 > λ 1 : P I (δ c, λ 0 ) = P λ0 ( X i < c) X i > c) Kapitel IX - Neyman-Pearson-Tests 38
39 Zahlenbeispiel: Gesucht ist ein Test zum Niveau α = 0.1 für H 0 : λ 0 = 0.10 gegen H 1 : λ 1 = 0.15 beim Stichprobenumfang n = 8. Xi ist Erlang-verteilt mit Stufenzahl 8 und Parameter λ. Kapitel IX - Neyman-Pearson-Tests 39
40 Die Forderung lautet ( ) P I (δ c, λ 0 ) = P λ0 X i < c 0.1 für λ 0 = 0.1 und n = 8. Gesucht ist also das 0.1-Quantil der Erlang-Verteilung mit Parameter 0.1 und Stufenzahl 8, bzw. der Gamma-Verteilung mit α = 8 und β = = 10. Diesen Wert erhalten wir mit Excel 7.0 und der Funktion GAMMAINV zu Kapitel IX - Neyman-Pearson-Tests 40
41 Test zum Niveau α = 0.1 für H 0 : λ = 0.1 gegen H 1 : λ = 0.15 ist δ c (x 1,..., x n ) = d 0 d 1 x i x i < Bemerkung: Den Wert für λ 1 benötigen wir nicht zur Bestimmung des Tests zum Niveau α = 0.1 auf der Basis des Wahrscheinlichkeitsquotienten. Er wird nur zur Berechnung der Fehlerwahrscheinlichkeit 2. Art benötigt. Kapitel IX - Neyman-Pearson-Tests 41
42 Auch diese Fehlerwahrscheinlichkeit 2. Art ) P II (δ c, λ 1 ) = P λ1 ( X i c = 1 P λ1 ( X i < c erhalten wir mit Excel (jetzt mit der Funktion GAMMAVERT) mit: = Dieser Wert ist hoch. Bessere Werte bei diesem Niveau (α = 0.1) sind durch eine Erhöhung des Stichprobenumfangs möglich. Bei n = 16 erhalten wir die Testschranke c = bei Beibehaltung des Niveaus α = 0.1. Die Fehlerwahrscheinlichkeit 2. Art ist Bei n = 100 ist die Testschranke und die Fehlerwahrscheinlichkeit 2. Art ist Kapitel IX - Neyman-Pearson-Tests 42 )
43 Liegen die beiden Parameterwerte γ 0 und γ 1 nicht so dicht zusammen, ist die Testsituation günstiger: Für λ 1 = 0.3 erhalten wir bei n = 8 den identisch aussehenden Test zum Niveau α = 0.1 für H 0 : λ = 0.1 gegen H 1 : λ = 0.3 d 0 x i δ c (x 1,..., x n ) = d 1 x i < Kapitel IX - Neyman-Pearson-Tests 43
44 Die Fehlerwahrscheinlichkeit 2. Art ist jetzt: P II (δ c, 0.3) = P 0.3 ( X i 46.56) = 1 P 0.3 ( = X i < 46.56) Kapitel IX - Neyman-Pearson-Tests 44
45 Zusammenfassung der Erkenntnisse aus den Beispielen: 1. Die Tests auf der Basis des Wahrscheinlichkeitsquotienten liefern plausible Ergebnisse, da die Entscheidung jeweils von einer suffizienten Statistik abhängt. 2. Die Ungleichheitszeichen bei den Tests mit der vollständigen und suffizienten Statistik als Testgröße hängen davon ab, ob der Wahrscheinlichkeitsquotient monoton steigend oder fallend in der Statistik ist. In den Beispielen hängt dies davon ab, ob γ 0 < γ 1 oder γ 0 > γ 1 ist. 3. Zur Berechnung der Testschranke bei der vollständigen und suffizienten Statistik ist die Kenntnis des Parameterwerts γ 1 nicht erforderlich. γ 1 wird nur zur Berechnung der Fehlerwahrscheinlichkeit 2. Art benötigt. Kapitel IX - Neyman-Pearson-Tests 45
46 Frage: Ist ein Test zum Niveau α auf der Basis des Wahrscheinlichkeitsquotienten wirklich das beste Entscheidungsverfahren, also der beste Test zum Niveau α? Zur Konkurrenz zugelassen sind also nur die Tests zum Niveau α. Kapitel IX - Neyman-Pearson-Tests 46
47 Sei δ k ein Test auf der Basis des Wahrscheinlichkeitsquotienten zum Niveau α im diskreten Fall: { d0 k P δ c (x 1,..., x n ) = γ0 (X = x) P γ1 (X = x) sonst d 1 Das Niveau wird eingehalten, falls P I (δ k, γ 0 ) α ist. Angenommen es gilt P I (δ k, γ 0 ) = α, d.h. k und α sind so gewählt, dass die Fehlerwahrscheinlichkeit 1. Art genau α ist. Kapitel IX - Neyman-Pearson-Tests 47
48 Bemerkung: Da bei diskreten Zufallsvariablen nicht jedes Niveau exakt eingestellt werden kann, wird man zu jedem Faktor k (Schranke für den Warscheinlichkeitsquotienten) die Fehlerwahrscheinlichkeit 1. Art bestimmen und kennt so die Kombinationen von k und zugehörigem exakt eingehaltenem Niveau. Wenn der Wahrscheinlichkeitsquotient Q(X ) eine stetige Zufallsvariable ist, gibt es zu jedem Niveau eine Schranke k für den Wahrscheinlichkeitsquotienten, so dass der Test genau dieses Niveau exakt einhält. Kapitel IX - Neyman-Pearson-Tests 48
49 Sei δ ein anderer Test zum Niveau α. Was ergibt ein Vergleich von δ k und δ? A δ A δk K δk K δ Der grüne Bereich in der Graphik, der zum kritischen Bereich von δ gehört, ist bei δ k dem Annahmebereich zugeteilt, der blaue Bereich des Annahmebereichs von δ wird bei δ k dem kritischen Bereich zugeordnet. Kapitel IX - Neyman-Pearson-Tests 49
50 A δ A δk K δk K δ Für einen Punkt x 1 des blauen Bereichs ist die Wahrscheinlichkeit bei γ 1 um den Faktor k höher als bei γ 0. Bei δ gehört x 1 zum Annahmebereich, trägt also viel zur Fehlerwahrscheinlichkeit 2. Art bei δ bei. Kapitel IX - Neyman-Pearson-Tests 50
51 A δ A δk K δk K δ Ändern wir δ im Punkt x 1 von der Entscheidung d 0 zur Entscheidung d 1, so reduziert sich die Fehlerwahrscheinlichkeit 2. Art. Im Gegenzug dazu wird die Wahrscheinlichkeit für d 0 auch bei γ 0 kleiner die Fehlerwahrscheinlichkeit 1. Art steigt um P γ0 (X = x 1 ). Kapitel IX - Neyman-Pearson-Tests 51
52 A δ A δk K δk K δ Dies kompensieren wir durch einen Punkt x 2 aus dem grünen Bereich mit P γ0 (X = x 2 ) = P γ0 (X = x 1 ), indem wir die Entscheidung von d 1 auf d 0 ändern. x 2 gehört zum Annahmebereich von δ k k P γ0 (X = x 2 ) P γ1 (X = x 2 ). Kapitel IX - Neyman-Pearson-Tests 52
53 Durch die Änderung der Entscheidung bei δ in x 1 und x 2 wird bewirkt: bei der Fehlerwahrscheinlichkeit 1. Art: P I (δ, γ 0 ) + P γ0 (X = x 1 ) P γ0 (X = x 2 ) = P I (δ, γ 0 ) bei der Fehlerwahrscheinlichkeit 2. Art: P II (δ, γ 1 ) P γ1 (X = x 1 ) + P γ1 (X = x 2 ) < P II (δ, γ 1 ) k P γ0 (X = x 1 ) + k P γ0 (X = x 2 ) = P II (δ, γ 1 ) Kapitel IX - Neyman-Pearson-Tests 53
54 Also: Der Wechsel der Entscheidung in x 1 und x 2 beim Test δ wirkt sich bei der Fehlerwahrscheinlichkeit 1. Art nicht aus, bringt aber eine Verbesserung bei der Fehlerwahrscheinlichkeit 2. Art. Möglicherweise wird man keine Punkte x 1 und x 2 mit übereinstimmender Wahrscheinlichkeit bei γ 0 finden. Dies ist aber auch nicht nötig, da es genügt, eine Kombination von Punkten zu finden, bei denen dies richtig ist. Kapitel IX - Neyman-Pearson-Tests 54
55 Satz von Neyman-Pearson: 1. Für ein einfaches Testproblem H 0 : γ = γ 0 gegen H 1 : γ = γ 1 ist der Neyman-Pearson-Test { d0 k P δ c (x 1,..., x n ) = γ0 (X = x) P γ1 (X = x) sonst d 1 für k R, k > 0 bester Test zum Niveau P I (δ k, γ 0 ) = P γ0 (δ k (X ) = d 1 ). Kapitel IX - Neyman-Pearson-Tests 55
56 Satz von Neyman-Pearson: 2. Jeder andere Test δ mit übereinstimmenden Fehlerwahrscheinlichkeiten 1. und 2. Art stimmt fast sicher mit δ k überein: P(δ(X ) = δ k (X )) = 1 Kapitel IX - Neyman-Pearson-Tests 56
57 Achtung: Bei diskreten Zufallsvariablen nimmt P I (δ k, γ 0 ) für Neyman-Pearson-Tests δ k nur diskrete Werte bei der Variation von k an. Es kann also nicht zu jedem vogegebenen Niveau α ein Neyman-Pearson-Test als bester Test zu diesem Niveau gefunden werden. Kapitel IX - Neyman-Pearson-Tests 57
58 Wahrscheinlichkeitsquotient bei Existenz einer suffizienten Statistik: Nach dem Faktorisierungstheorem gilt im diskretem Fall: g(t (x), γ) h(x) und im stetigen Fall: P γ (X = x) = f X,γ (x) = g(t (x), γ) h(x) Kapitel IX - Neyman-Pearson-Tests 58
59 Damit gilt für den Wahrscheinlichkeitsquotienten: Q(x) = P γ 1 (X = x) P γ0 (X = x) = g(t (x), γ 1) h(x) g(t (x), γ 0 ) h(x) = g(t (x), γ 1) g(t (x), γ 0 ) (diskret) bzw. Q(x) = f X,λ 1 (x) f X,λ0 (x) = g(t (x), λ 1)h(x) g(t (x), λ 0 )h(x) = g(t (x), λ 1) g(t (x), λ 0 ) stetig Kapitel IX - Neyman-Pearson-Tests 59
60 Folgerung: Der Wahrscheinlichkeitsquotient hängt nur vom Auswertungsergebnis T (x) der suffizienten Statistik ab, d.h. Seien x, x Stichprobenergebnisse: T (x) = T ( x) Q(x) = Q( x) Der Neyman-Pearson-Test ist also eine Entscheidungsfunktion auf der Basis jeder suffizienten Statistik. Kapitel IX - Neyman-Pearson-Tests 60
61 Der Wahrscheinlichkeitsquotient für einparametrige Exponentialfamilien: Y sei eine stetige Zufallsvariable mit einparametriger Exponentialfamilie, d.h. f Y,γ (y) = a(γ)h(y) e b(γ)τ(y) Dann gilt für die Stichprobe mit Zurücklegen: f X,γ (x 1,..., x n ) = n a(γ)h(x i ) e b(γ)τ(x i ) = a(γ) n ( n h(x i )) e b(γ)τ(x i ) Kapitel IX - Neyman-Pearson-Tests 61
62 und für den Wahrscheinlichkeitsquotienten Q(x) = f X,γ 1 (x 1,..., x n ) f X,γ0 (x 1,..., x n ) = = = a(γ 1 ) n ( n h(x i )) e a(γ 0 ) n ( n h(x i )) e ( ) a(γ1 ) n e a(γ 0 ) ( a(γ1 ) a(γ 0 ) b(γ 1 )τ(x i ) b(γ 0 )τ(x i ) b(γ 1 )τ(x i ) b(γ 0 )τ(x i ) e ) n e (b(γ 1) b(γ 0 )) n τ(x i ) Kapitel IX - Neyman-Pearson-Tests 62
63 Folgerungen: 1.Q(x) hängt nur von der Statistik T (x) = n τ(x i ) ab. 2. a) b(γ 1 ) b(γ 0 ) > 0: Q(x) steigt monoton in T (x), also Q(x) k T (x) = τ(x i ) c für zusammengehörende Werte von k und c. Analog im diskreten Fall. Kapitel IX - Neyman-Pearson-Tests 63
64 b) b(γ 1 ) b(γ 0 ) < 0: Q(x) fällt monoton in T (x), also Q(x) k T (x) = τ(x i ) c für zusammengehörende Werte von k und c. Analog im diskreten Fall. Kapitel IX - Neyman-Pearson-Tests 64
65 Anwendung: 1. Bernoulli-Verteilung P p (Y = y) = p y (1 p) 1 y = e y ln p (1 y) ln(1 p) e = e y(ln p ln(1 p)) e ln(1 p) b(p) = ln p ln(1 p) d 0, x i c p 0 < p 1 b(p 1 ) b(p 0 ) > 0 δ(x) = d 1, x i > c d 0, x i c p 0 > p 1 b(p 1 ) b(p 0 ) < 0 δ(x) = d 1, x i < c Kapitel IX - Neyman-Pearson-Tests 65
66 2. Binomialverteilung ( ) n P p (Y = k) = p k (1 p) n k = k ( n = k b(p) = ln p ln(1 p) ) e k(ln p ln(1 p)) e n ln(1 p) ( ) n e k ln p (n k) ln(1 p) e k Kapitel IX - Neyman-Pearson-Tests 66
67 3. Poisson-Verteilung P λ (Y = k) = λk k! e λ = 1 k! ek ln λ e λ b(λ) = ln λ Kapitel IX - Neyman-Pearson-Tests 67
68 4. Exponentialverteilung f Y,λ (y) = 1 [0, ) (y)λ e λy b(λ) = λ Kapitel IX - Neyman-Pearson-Tests 68
69 5. Normalverteilung a) σ 2 bekannt (Test bezüglich des Mittelwerts) b(µ) = µ, τ(y) = y, d.h. T (x) = σ2 µ 0 < µ 1 b(µ 1 ) b(µ 0 ) > 0 δ(x) = µ 0 > µ 1 b(µ 1 ) b(µ 0 ) < 0 δ(x) = d 0 d 1 d 0 d 1 x i x i c > c x i c < c Kapitel IX - Neyman-Pearson-Tests 69
70 5. Normalverteilung b) µ bekannt (Test bezüglich Varianz) b(σ 2 ) = 1 2σ 2, τ(y) = (y µ)2, d.h. T (x) = σ 0 < σ 1 b(σ 1 ) b(σ 0 ) > 0 δ(x) = σ 0 > σ 1 b(σ 1 ) b(σ 0 ) < 0 δ(x) = d 0 d 1 d 0 d 1 (x i µ) 2 (x i µ) 2 c (x i µ) 2 > c (x i µ) 2 c (x i µ) 2 < c Kapitel IX - Neyman-Pearson-Tests 70
71 Zusammenfassung: Neyman-Pearson-Tests Verteilung T (x) Parameter- Monotonie des Neymanbeziehung Wahrscheinlichkeits- Pearsonquotienten in T (x) Test Bernoulli- und xi p 0 < p 1 steigend (1) Binomialverteilung p 0 > p 1 fallend (2) Poisson-Verteilung xi λ 0 < λ 1 steigend (1) λ 0 > λ 1 fallend (2) Exponential- xi λ 0 < λ 1 fallend (2) verteilung λ 0 > λ 1 steigend (1) Normalverteilung xi µ 0 < µ 1 steigend (1) σ 2 bekannt µ 0 > µ 1 fallend (2) Normalverteilung (xi µ) 2 σ0 2 < σ1 2 steigend (1) µ bekannt σ0 2 > σ1 2 fallend (2) Kapitel IX - Neyman-Pearson-Tests 71
72 Zusammenfassung { d0 T (x) c δ c (x) = T (x) > c d 1 (1) { d0 T (x) c δ c (x) = T (x) < c d 1 Testschranke c steuert Fehlerwahrscheinlichkeit 1. Art, d.h. das Niveau. Bei vorgegebenem Niveau ist c geeignet zu bestimmen. (2) Kapitel IX - Neyman-Pearson-Tests 72
Kapitel 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
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
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
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.
MehrKapitel V - Erwartungstreue Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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
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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
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
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
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
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:...
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
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
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
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
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
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
Mehr2) Ihr Chef schlägt vor, dass die Firma nicht Lieferant werden soll, wenn
Aufgabe Stochastik Mathe Grundkurs Signifikanztests Ein Hersteller von Schrauben behauptet, dass mindestens 90% seiner Schrauben rostfrei sind, wenn sie fünf Jahre lang im Außenbereich eingesetzt werden.
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
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
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
Mehr8 Die Exponentialverteilung
8 Die Exponentialverteilung 8.1 Einführung Modelle Zuverlässigkeitsmodelle Lebensdauermodelle Bedienungsmodelle. 277 W.Kössler, Humboldt-Universität zu Berlin Def. 26 (Exponentialverteilung) Sei X eine
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:
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
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
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
MehrI. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
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
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
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.
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,...,
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
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
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrKlassifikation von Daten Einleitung
Klassifikation von Daten Einleitung Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation von Daten Einleitung
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,
MehrÜberblick Hypothesentests bei Binomialverteilungen (Ac)
Überblick Hypothesentests bei Binomialverteilungen (Ac) Beim Testen will man mit einer Stichprobe vom Umfang n eine Hypothese H o (z.b.p o =70%) widerlegen! Man geht dabei aus von einer Binomialverteilung
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
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)
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
MehrUm zu entscheiden, welchen Inhalt die Urne hat, werden der Urne nacheinander 5 Kugeln mit Zurücklegen entnommen und ihre Farben notiert.
XV. Testen von Hypothesen ================================================================== 15.1 Alternativtest ------------------------------------------------------------------------------------------------------------------
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
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
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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
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 )
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
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
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
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
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:
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 6
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 6 26. November 2012 Aufgabe 17 (4 Punkte): Sei X B(n, p) eine binomial verteilte Zufallsvariable, die ein Zufallseperiment mit n unabhängigen Wiederholungen
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
MehrVU mathematische methoden in der ökologie: räumliche verteilungsmuster 1/5 h.lettner /
VU mathematische methoden in der ökologie: räumliche verteilungsmuster / h.lettner / Analyse räumlicher Muster und Verteilungen Die Analyse räumlicher Verteilungen ist ein zentrales Gebiet der ökologischen
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
Mehr