Stochastik Praktikum Testtheorie
|
|
- Adrian Burgstaller
- vor 6 Jahren
- Abrufe
Transkript
1 Stochastik Praktikum Testtheorie Thorsten Dickhaus Humboldt-Universität zu Berlin
2 Definition X: Zufallsgröße mit Werten in Ω, (Ω, F, (P ϑ ) ϑ Θ ) statistisches Modell Problem: Teste H 0 : ϑ Θ 0 gegen H 1 : ϑ Θ 1 = Θ \ Θ 0 (Nicht-randomisierter) Test: ϕ : Ω {0, 1}, wobei ϕ(x) = 1 : H 0 verwerfen, ϕ(x) = 0 : H 0 nicht verwerfen. Randomisierter Test: ϕ : Ω [0, 1] liefert eine Ablehnwahrscheinlichkeit.
3 Entscheidungsmuster, Sprechweisen ϕ(x) H 0 wahr H 0 falsch 1 Fehler 1. Art Trennschärfe (power) 0 Signifikanzniveau Fehler 2. Art H 0 einfach Θ 0 = 1 H 0 zusammengesetzt Θ 0 > 1 (z. B. ein Intervall) ϕ einseitig ϕ zweiseitig Θ 1 einseitig beschränkt Θ 1 beidseitig unbeschränkt
4 Niveau α Tests, Gütefunktion T : Ω R messbare Abbildung, α [0, 1] fest vorgegeben, Γ α so, dass sup ϑ Θ 0 P ϑ (T (X) Γ α ) α. ϕ(x) = 1 Γα (T (x)) heißt Test zum Niveau α. Gütefunktion: β ϕ (ϑ) = P ϑ (T (X) Γ α ) für ϑ Θ 1. Definition Ein Test ϕ heißt gleichmäßig bester Test zum Niveau α, falls für jedes ϑ 1 Θ 1 die Güte jedes anderen Niveau α Tests ϕ kleiner oder gleich der Güte von ϕ ist, also ϑ 1 Θ 1 : β ϕ (ϑ 1 ) β ϕ (ϑ 1 ).
5 Neyman Pearson Test Lemma (Neyman-Pearson) Zwei einfache Hypothesen H 0 : ϑ = ϑ 0 gegen H 1 : ϑ = ϑ 1 Neyman Pearson Test: 1, falls q(x) < c α ϕ(x) = γ, falls q(x) = c α, mit q(x) = 0, falls q(x) > c α L(ϑ 0 x) L(ϑ 1 x) Likelihood Quotient, ist gleichmäßig bester Test zum Niveau α. γ (0, 1) so, dass sup ϑ Θ0 P ϑ (ϕ(x) = 1) = α. Likelihood Quotient monoton in T: kritische Werte für T(x)
6 p Wert: Der p Wert zu einem Test ϕ gibt das kleinste Niveau α min an, zu dem bei Vorliegen der Stichprobe x die Nullhypothese gerade noch abgelehnt werden kann. Manchmal bezeichnet man dies auch als beobachtetes Signifikanzniveau von ϕ. In Statistik Programmen gibt man das Niveau eines Tests nicht explizit vor, sondern erhält diesen p Wert als Ausgabe. Likelihood Quotienten Test: Beim allgemeinen Testansatz H 0 : ϑ Θ 0 gegen H 1 : ϑ Θ 1 werden beim LQ Test kritische Werte für Λ(x) = sup ϑ Θ 0 L(ϑ x) sup ϑ Θ L(ϑ x) bestimmt.
7 Übersicht 1 Binomialtest 2 t Test 3 F Test 4 Nichtparametrische Tests
8 Beispiel zum Binomialtest Test der Hypothese, dass eine Münze fair ist, also H 0 : p = p 0 = 0.5 versus H 1 : p p 0. > binom. t e s t (15,20, p =0.5, a l t e r n a t i v e =" two. sided " ) Exact binomial t e s t number of successes = 15, number of t r i a l s = 20, p value = alternative hypothesis : true p r o b a b i l i t y of success is not equal to percent confidence i n t e r v a l : sample estimates : p r o b a b i l i t y of success = 0.75 Die kritischen Werte k und l für den zweiseitigen Binomialtest erhält man mit dem Ansatz k i=0 ( ) n p0 i i (1 p 0) n i + n j=n l ( ) n p j j 0 (1 p 0) n j α.
9 Übersicht 1 Binomialtest 2 t Test 3 F Test 4 Nichtparametrische Tests
10 Einstichproben t Test X 1,..., X n i. i. d. N(µ, σ 2 ), σ 2 > 0 unbekannt. H 0 : µ = µ 0 (oder einseitige Hypothesen) Es gilt: Λ(x) = [ n i=1 (x i x) 2 n i=1 (x i µ 0 ) 2 ] n 2, da ˆµ MLE = x = n i=1 x i/n und ˆσ 2 MLE = n i=1 (x i x) 2 /n. Als Teststatistik verwendet man nun T (X) = n(n 1)( X µ0 ) i (X i X) 2, da T (x) monotone Transformation von Λ(x) und T (X) H0 t n 1 unabhängig von µ und σ (Student, 1908).
11 Plot: t Verteilungen
12 Kritische Bereiche Ablehnbereiche Γ α des Niveau α t Tests für einseitige bzw. zweiseitige Hypothesen: H 0 H 1 Γ α µ µ 0 µ > µ 0 {x Ω : T (x) > t n 1;1 α } µ µ 0 µ < µ 0 {x Ω : T (x) < t n 1;1 α } µ = µ 0 µ µ 0 {x Ω : T (x) > t n 1;1 α/2 }
13 Einstichproben t Tests in R Temperaturdatenstichprobe gegeben Nullhypothese: mittlere Temperatur nicht größer als 37 C > temp< c ( , , , , , , , ) > t. t e s t ( temp, a l t e r n a t i v e =" g r e a t e r ",mu=37) One Sample t t e s t data : temp t = , df = 7, p value = a l t e r n a t i v e hypothesis : t r u e mean i s g r e a t e r than percent confidence i n t e r v a l : I n f sample estimates : mean of x
14 Fallzahlabschätzung Beispielhaft: Einseitiges Hypothesenpaar H 0 : µ µ 0 versus H 1 : µ > µ 0 Analysiere Trennschärfe (power) als Funktion in n Eine Differenz δ = µ µ 0 soll mit Wahrscheinlichkeit (1 β) (0, 1) aufgedeckt werden können, d. h., unter µ 1 = µ 0 + δ soll β ϕ (µ 1 ) = 1 β gelten. Sei ν := n 1. 1 β (! n ( = P X ) µ 0 ) µ1 > t ν;1 α s = P µ1 ( n ( X µ 1 ) s > t ν;1 α n δ s t ν;1 α nδ/s! = t ν;β n = (s/δ) 2 (t ν;α + t ν;β ) 2. Problem: Man benötigt eine Vorschätzung von s! ), also
15 Powerberechnung in R > d< 15;s< 30; r< d / s ; alpha < 0.05; beta < 0.2 > n1< c e i l i n g ( ( qnorm(1 alpha )+qnorm(1 beta ) ) ^ 2 / ( r ^ 2 ) ) ; n1 [ 1 ] 25 > n2< c e i l i n g ( ( qt (1 alpha, n1 1)+ qt (1 beta, n1 1))^2/( r ^ 2 ) ) ; n2 [ 1 ] 27 > n3< c e i l i n g ( ( qt (1 alpha, n2 1)+ qt (1 beta, n2 1))^2/( r ^ 2 ) ) ; n3 [ 1 ] 27 > power. t. t e s t ( d e l t a =15,sd=30, s i g. l e v e l =0.05, power =0.80, + type ="one. sample ", a l t e r n a t i v e ="one. sided " ) One sample t t e s t power c a l c u l a t i o n n = d e l t a = 15 sd = 30 s i g. l e v e l = 0.05 power = 0.8 a l t e r n a t i v e = one. sided
16 Grafik: Fallzahlabschätzung
17 Zweistichproben t Test Seien X 1,..., X n i. i. d. N(µ 1, σ 2 ) und Y 1,..., Y m i. i. d. N(µ 2, σ 2 ). Der t Test wird hier für den Vergleich der Mittelwerte angewendet. Teststatistik : T ( X, Y ) = nm n + m 1 m+n 2 X Y [ i (X i X) 2 + ]. j (Y j Y ) 2 T ( X, Y ) H0 t m+n 2. Die zweiseitige Nullhypothese H 0 : µ 1 = µ 2 wird verworfen, falls T ( X, Y ) > t m+n 2;1 α/2.
18 Behrens Fisher Problem, Welch Test Zwei heteroskedastische Stichproben: Behrens-Fisher-Problem Likelihood Schätzer: ˆσ MLE = 1 (X i X) n(n 1) (Y j Y ) m(m 1) 2. i T ( X, Y ) = (X Y )/ˆσ MLE ist Behrens Fisher verteilt. Kein exakter Niveau α Test bestimmbar! Welch Test: Approximative Lösung, Verteilung von T wird approximiert durch eine t Verteilung mit ˆk Freiheitsgraden (Satterthwaite-Approximation): ˆk = ˆσ 4 MLE 1 n 2 (n 1) 3 [ i (X i X) 2] m 2 (m 1) 3 [ j (Y j Y ) 2 ] 2 j
19 Übersicht 1 Binomialtest 2 t Test 3 F Test 4 Nichtparametrische Tests
20 F -Test zum Vergleich zweier Varianzen (X i ) n i=1 iid. N(µ 1, σ1 2) und (Y j) m j=1 iid. N(µ 2, σ2 2); H 0 : σ1 2 = σ2 2 Teststatistik: Quotient der empirischen Varianzen F ( X, Y i ) = (X i X) 2 /(n 1) j (Y F j Y ) 2 n 1,m 1. /(m 1) H 0 Die Verteilung von F heißt Fisher oder kurz F Verteilung mit n 1 und m 1 Freiheitsgraden. Annahmebereiche des Niveau α F Tests: H 0 σ 2 1 = σ2 2 σ 2 1 σ2 2 Annahmebereiche R 0 \ Γ α für F [ (Fn 1,m 1;1 α/2 ) 1, Fn 1,m 1;1 α/2 ] [ 0, Fn 1,m 1;1 α ] σ 2 1 σ2 2 [ ( F n 1,m 1;1 α ) 1, )
21 Veranschaulichung F Verteilungen
22 Übersicht 1 Binomialtest 2 t Test 3 F Test 4 Nichtparametrische Tests
23 Nichtparametrische Tests: Keine konkrete Annahme einer Verteilungsfamilie, also k N : Θ R k. Nichtparametrische Tests sind in parametrischen Modellen nicht effizient. Das heißt: Nichtparametrische Tests zum gleichen Signifikanzniveau benötigen größeren Stichprobenumfang als der beste parametrische Test für gleiche Güte (Pitman-Effizienz), falls das parametrische Modell richtig spezifiziert ist.
24 χ 2 Anpassungstest Test der Hypothese H 0 : F = F 0 gegen H 1 : F F 0 Beobachtungen aufgeteilt in m Klassen mit Häufigkeiten n j, j = 1,..., m. Vergleiche diese mit den unter F 0 erwarteten Häufigkeiten n j,0, j = 1,..., m. Teststatistik: χ 2 = ( ) m 2 nj n j,0 j=1 n j,0 L H0 χ 2 m 1. Ablehnbereich des zugehörigen χ 2 -Tests: Γ α = (χ 2 m 1;1 α, )
25 Anwendungsbeispiel: χ 2 Test Problem: Teste nach 60 Würfen, ob ein Würfel fair ist. > AZ< c ( 1, 2, 3, 4, 5, 6 ) > H< c (7,12,9,15,7,10) > chisq. t e s t (H) Chi squared t e s t f o r given p r o b a b i l i t i e s data : H X squared = 4. 8, df = 5, p value =
26 Wilcoxon signed rank Test Nichtparametrische Alternative zum Einstichproben t Test. H 0 : m = m 0 für den Median m. Definition Für eine Stichprobe X 1,..., X n ist die zugehörige i-ordnungsstatistik definiert durch X (i) := X k : {j {1,..., n} : X j X k } = i, i = 1,..., n. Die Rangstatistiken geben die Positionen der X i s in der geordneten Stichprobe an: R i := {1 j n : X j X i }.
27 Wilcoxon signed rank Test (II) Teststrategie: Bilde Rangstatistiken X i m 0. Teststatistik: Differenz der Summe über alle Ränge mit positivem und der Rangsumme mit negativem Vorzeichen. Kritische Werte (einseitig und zweiseitig) sind vertafelt. In R: Funktion wilcox.test.
28 Mann Whitney U Test H 0 : P X = P Y, also Gleichheit zweier Verteilungen. Daten: Zwei unabhängige Stichproben (X i ) n i=1 und (Y j) m j=1 Vorgehen: Berechne gruppenweise für (X i ) und (Y j ) Rangsummen R X und R Y, wobei die Ränge in der gepoolten Stichprobe (X 1,..., X n, Y 1,..., Y m ) genommen werden. Es gilt immer: R X + R Y = (n + m)(n + m + 1)/2 Damit kann man R X auch schreiben als R X = n(n + 1)/2 + U mit der U Statistik (Gauß). U = n m 1 {Xi >Y j }. i=1 j=1
29 Mann Whitney U-Test (II) Durchführung des Tests: Ablehnbereich Γ α für R X entspricht Ablehnbereich für U, lediglich um n(n + 1)/2 verschoben. Theorie von U-Statistiken geht zurück auf Hoeffding (1948), kritische Werte sind vertafelt. In R: qwilcox(0.025,10,10) Der Mann Whitney U-Test wird auch Wilcoxon s rank sum test genannt.
30 Weitere wichtige nichtparametrische Tests Exakter Fisher-Test (Assoziation kategorieller Merkmale) Chi-Quadrat Test auf Assoziation kategorieller Merkmale Pitman scher Permutationstest für allgemeine Zweistichprobenprobleme Anpassungstests: Kolmogorov-Smirnov, Cramér-von Mises Resamplingverfahren (vgl. SoSe 2011!)
Vorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrStatistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Mehrdas Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrAnhang: Statistische Tafeln und Funktionen
A1 Anhang: Statistische Tafeln und Funktionen Verteilungsfunktion Φ(z) der Standardnormalverteilung Die Tabelle gibt die Werte Φ(z) der Verteilungsfunktion zu vorgegebenem Wert z 0 an; ferner gilt Φ( z)
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
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
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 08. Oktober 2010 Till Breuer, Sebastian Mentemeier und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Ein-Stichproben-Fall
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
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
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 9. Dezember 2009 Bernd Klaus, Verena Zuber
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 +... +
MehrNicht-parametrische statistische Verfahren
Nicht-parametrische statistische Verfahren von Peter Pfaffelhuber Version: 7. Dezember 015 Die statistischen Verfahren, die wir bisher kennengelernt haben, basieren auf statistischen Modellen, die immer
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrTeil X. Hypothesentests für eine Stichprobe. Woche 8: Hypothesentests für eine Stichprobe. Lernziele. Statistische Hypothesentests
Woche 8: Hypothesentests für eine Stichprobe Teil X Patric Müller Hypothesentests für eine Stichprobe ETHZ WBL 17/19, 19.06.2017 Wahrscheinlichkeit und Statistik Patric
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
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
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
Mehr4 Testen von Hypothesen
4 Testen von Hypothesen Oft müssen zweiwertige Entscheidungen ( Ja oder Nein ) gefällt werden. Denken wir an die elektronisch gesicherten Waren, wo am Ausgang eines Geschäftes durch eine Maschine geprüft
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
AUFGABEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters eintrat, und zwar lag der Wert bei
MehrStatistische Tests zu ausgewählten Problemen
Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
GRUNDAUFGABEN ZU DEN 1-STICHPROBENVERGLEICHEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters
MehrTeil VII Hypothesentests für eine Stichprobe
Woche 7: Hypothesentests für eine Stichprobe Teil VII Hypothesentests für eine Stichprobe WBL 15/17, 15.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner Fachhochschule
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/
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,
Mehr5.9. Nichtparametrische Tests Übersicht
5.9. Übersicht Es werden die wichtigsten Rang-Analoga zu den Tests in 5.2.-5.6. behandelt. 5.9.0 Einführung 5.9.1 Einstichprobenproblem (vgl 5.2), 2 verbundene Stichproben (vgl. 5.3) Vorzeichentest, Vorzeichen-Wilcoxon-Test
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:
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm.) Herbst 2012
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm.) Herbst 2012 Mr. X Krebs Zwei Krebstypen 1 Typ 1: Mild Chemotherapie nicht nötig 2 Typ 2: Schwer Chemotherapie nötig Problem: Typ erst nach langer
MehrKategoriale und metrische Daten
Kategoriale und metrische Daten Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/14 Übersicht Abhängig von der Anzahl der Ausprägung der kategorialen Variablen unterscheidet man die folgenden Szenarien:
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:
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
MehrNicht-parametrische Statistik Eine kleine Einführung
Nicht-parametrische Statistik Eine kleine Einführung Überblick Anwendung nicht-parametrischer Statistik Behandelte Tests Mann-Whitney U Test Kolmogorov-Smirnov Test Wilcoxon Test Binomialtest Chi-squared
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,
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,,
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,...,
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
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
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:
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:
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
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
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
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
MehrStatistik für Ingenieure Vorlesung 13
Statistik für Ingenieure Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6. Februar 2018 5.1.4. Weitere ausgewählte statistische Tests a) Binomialtest Der Binomialtest
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrBeurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung
Beurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung K. Molt Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 3. Juni 2007 K. Molt (Fachgeb. IAC) 3. Juni 2007 1 / 41
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
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
MehrMethodenlehre II, SoSe 2015
Ruhr-Universität Bochum 4. Juni 2015 1 / 282 Methodenlehre II Prof. Dr. NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: http://www.ruhr-uni-bochum.de/mathematik3/ http://www.ruhr-uni-bochum.de/mathematik3/dette.html
MehrEinführung in einige Teilbereiche der Wirtschaftsmathematik für Studierende des Wirtschaftsingenieurwesens
in einige Teilbereiche der für Studierende des Wirtschaftsingenieurwesens Sommersemester 2014 Hochschule Augsburg : Gliederung 1 Finanzmathematik 2 Lineare Programme 3 Differentialgleichungen 4 Statistik:
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
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
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
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
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.
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
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Juni 2014 Waldherr / Christodoulides Einführung in Quantitative Methoden 1/46 Anpassungstests allgemein Gegeben: Häufigkeitsverteilung
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
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
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
MehrSignifikanztests 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
MehrBiostatistik. Lösung
Prof. Dr. Achim Klenke Fridolin Kielisch 13. Übung zur Vorlesung Biostatistik im Sommersemester 2015 Lösung Aufgabe 1: a) Ich führe einen zweiseitigen Welch-Test durch, weil ich annehme, dass die Daten
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
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
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
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 \
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
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
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.
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
MehrTutorial: Anpassungstest
Tutorial: Anpassungstest An einem Institut gibt es vier UniversitätslehrerInnen, die auch Diplomarbeiten betreuen. Natürlich erfordert die Betreuung einer Diplomarbeit einiges an Arbeit und Zeit und vom
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 11. Oktober 2013 Fabian Buckmann Institut für Mathematische Statistik Universität Münster WS 13/14 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie Andere Entscheidungsprobleme
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
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
Mehr1 wenn Erfolg im j-ten Versuch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.1 Binomialverteilung - Alternative Darstellung n Versuche mit 2 möglichen Ausgängen. Setze Y j = 1 wenn Erfolg im j-ten Versuch 0 wenn
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 5. Juni 2013 Christodoulides / Waldherr Einführung in Quantitative Methoden- 11. VO 1/48 Anpassungstests allgemein Gegeben:
MehrAnalyse 2: Hypothesentests
Analyse 2: Hypothesentests Ashkan Taassob Andreas Reisch Inhalt Motivation Statistischer Hintergrund Hypothese Nullhypothesen Alternativhypothesen Fehler beim Hypothesentesten Signifikanz-LEVEL und P-value
MehrHypothesen über die Grundgesamtheit. Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder
Hypothesen über die Grundgesamtheit Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder Behauptungen) über die unbekannte Grundgesamtheit anhand einer Stichprobe als richtig oder falsch
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
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:
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
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
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
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrI N F E R E N Z S T A T I S T I K Terminologie
Seite 1 von 70 I N F E R E N Z S T A T I S T I K Terminologie i.i.d. independent and identically distributed bedeutet, unabhängig und in gleicher Weise verteilt, d.h., der gleichen Verteilung unterworfen.
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 007/008 Aufgabe 1 (I) Herr
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:
Mehrt-tests Lösung: b) und c)
t-tests 2015 Assessmentmodul 1 - Frage B10: Ein Team von Gesundheitspsychologinnen hat ein Programm entwickelt, das die Studierenden der Universität Zürich dazu anregen soll, mehr Sport zu treiben. In
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
Mehr