U Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
|
|
- Richard Böhler
- vor 6 Jahren
- Abrufe
Transkript
1 Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech von zwe verbunderen Stchproben χ ²- Unabhänggketstest Test auf Unabhänggket von zwe Zugrößen χ ²- Anpassungstest Test auf Vorlegen ener bestmmten Vertelung SS 08 Prof. Dr. J. Schütze Parameterfree Tests U -Test (Wlcoxon-Rangsummentest) für ncht verbundene Stchproben Analogon zum doppelten T-Test, wenn kene Normalvertelung vorlegt z.b. be schefen Vertelungen, Vertelungen mt Ausreßern Voraussetzung stetge Vertelungen, (be ordnalem Skalennveau ab 5 Kategoren möglch, mt Korrektur für Rangbndungen) ncht verbundene Stchproben Der Test setzt de Glechhet der Form der Vertelungen voraus. Der Untersched zwschen den Vertelungen legt dann n ener Verschebung. Ene Ablehnung mplzert somt auch ene Verschebung der Medane. Es damt wrd also getestet, ob de Medane beder Vertelungen überenstmmen Mttelwertschätzung über Durchschntt st be schefen Vertelungen bzw. Ausreßern ungeegnet. Nullhypothese: μ μ (Glechhet der Medane) x y SS 08 Prof. Dr. J. Schütze Parameterfree Tests U -Test U -Test Idee: Stchprobenwerte werden n Ränge (Platzzffern, Rangzahlen) umgewandelt Berechnung der Testgröße für den U-Test Bede Stchproben werden zusammengenommen und der Größe nach geordnet. Dabe erhalten gleche Stchprobenwerte jewels den Durchschnttswert der hnen entsprechenden Rangzahlen (Rangbndungen legen vor). Dann bldet man für jede Stchprobe separat de Summe der Rangzahlen, man erhält de Rangsummen T, T. n Stchprobenumfang von X, n Stchprobenumfang von Y, n + n n nx( nx + ) U n n + - T, ny( ny + ) U n n + - T, nn ( + ) Kontrolle: T + T Kontrolle: U+ U n n aus U mn( U, U) berechnet man n Abhänggket vom Stchprobenumfang de Testgröße. SS 08 Prof. Dr. J. Schütze Parameterfree Tests 3 U max( n, n) < 0 nn Testgröße T U n 0, oder n 0 nn ( n+ n+ ) Testentschedung be Rsko α Ablehnberech T Un n α U n, n, α/ max( n, n ) < 0,, / Quantl Tab. für U-Test n 0, oder n 0 Ablehnberech T > z α / Der U-Test kann auch für ensetge Hypothesen berechnet werden. Be zu velen Rangbndungen st ene Korrektur der Testgröße erforderlch (s. Sachs). SS 08 Prof. Dr. J. Schütze Parameterfree Tests 4 9.
2 Vorzechenrangtest Vorzechenrangtest Vorzechenrangtest für verbundene Stchproben Analogon zum t-test für verbundene Stchproben, wenn kene Normalvertelung vorlegt Voraussetzung: Nullhypothese: stetge Vertelungen, (be ordnalem Skalennveau ab 5 Kategoren möglch, mt Korrektur für Rangbndungen) verbundene Stchproben mndestens n 6 Messwertpaare H : 0 0 μ D μ D steht herbe für den Medan der Dfferenzen der Messwertpaare der verbundenen Stchproben. Berechnung der Testgröße Aus den n Wertepaaren ( x, y ) bldet man de Dfferenzen d x y De Beträge deser Dfferenzen werden aufstegend mt Rangzahlen versehen, dabe werden Nulldfferenzen weggelassen (es bleben dann n' Paare übrg). Be betragsglechen Dfferenzen vergbt man mttlere Rangzahlen. + Rn' : Summe der Ränge be d > 0 Rn' : Summe der Ränge be d < 0 Rechenkontrolle: R + R n'( n' + ) / R mn( R, R ) + n' n' n' + n' n' SS 08 Prof. Dr. J. Schütze Parameterfree Tests 5 SS 08 Prof. Dr. J. Schütze Parameterfree Tests 6 Vorzechenrangtest Bemerkungen Testgröße be Vorzechenrangtest Rn ' T Rn ' n'( n' + ) / 4 ( n' + n')( n' + )/4 Ablehnberech be Rsko α n' 5 Ablehnberech T k u k u Quantl aus Tab. für Vorzechenrangtest n' 5 n' > 5 n ' > 5 Ablehnberech T > z α / Be ordnalen Daten erhält man schnell vele Rangbndungen. Dann st de Testgröße geegnet zu modfzeren Formeln zu Handrechnung z.b. be Sachs, Statstsche Verfahren, besser geegnet st en gutes Computerprogramm Be klenen Fallzahlen snd exakte Tests zu rechnen, mest als Opton be guter Statstksoftware verfügbar De parameterfreen Mttelwertvergleche bezehen sch auf de Medane, daher müssen n der deskrptven Statstk de Mttelwerte stets durch de Medane geschätzt werden. Prnzpell können de parameterfreen Tests auch ensetg gerechnet werden. Dann darf man be den Testgrößen kene Bldung des Mnmums vornehmen. Man verglecht dann n Rchtung der Alternatvhypothese mt den Quantlen der Ordnung -α. 9. SS 08 Prof. Dr. J. Schütze Parameterfree Tests 7 SS 08 Prof. Dr. J. Schütze Parameterfree Tests 8
3 χ² - Unabhänggketstest χ² - Unabhänggketstest Zel Bem χ ²-Unabhänggketstest wrd getestet, ob zwe Zugrößen unabhängg snd. Für dskrete, nsbesondere nomnale Zugrößen basert er drekt auf dem Ch-Quadrat-Maß, das aus der Kontngenztafel berechnet wrd. Be stetgen Zugrößen st deser Test eben anwendbar. Es erfolgt zunächst ene Klassenentelung für bede Stchproben. Mt den dabe ermttelten Klassenhäufgketen erstellt man ene Kontngenztafel und verfährt dann analog we be dskreten Merkmalen. Als Alternatve für Untersuchung der Abhänggket stetger Zugrößen stehen Korrelatonstests zur Verfügung. Be Normalvertelung testet man de Pearson-Korrelaton auf Null, Ablehnung schert enen sgnfkanten lnearen Zusammenhang. Ohne NV mt Spearman-Korrelaton (monotoner Zusammenhang), s. z.b. Storm. Kontngenztafel für dskrete Merkmale, erhoben jewels am glechen Objekt Bezechnungen X, Y Zugrößen mt dskreten Werteberechen x,..., x bzw. y,..., y Stchprobe mt n Messwertpaaren ( x, y ) p n : Anzahl des Auftretens der Kombnaton ( x, y ) n der Stchprobe j j y x n n q x p n p n pq n. n.q Erwartete Zellnhalte be Unabhänggket... y p j nˆ j n. n p. n n n n.. j Randwerte: q n n, n n. j. j j j Gesamtzahl q p.. j j n n n q p SS 08 Prof. Dr. J. Schütze Parameterfree Tests 9 SS 08 Prof. Dr. J. Schütze Parameterfree Tests 0 χ² - Unabhänggketstest χ ²-Unabhänggketstest χ ²-Anpassungstest Nullhypothese: X, Y unabhängg Testgröße χ²-maß Ablehnberech be Rsko α p q ( n ˆ ) H 0 j nj T ~ χ nˆ j j T >χ( p ) ( q ), α ( p ) ( q ), α Achtung: Da de Testgröße nur näherungswese χ ²-vertelt st, sollte kene der erwarteten Klassenhäufgketen 0 und höchstens 5% klener als 5 sen. (sonst benachbarte Klassen zusammenlegen, wenn nhaltlch snnvoll) SS 08 Prof. Dr. J. Schütze Parameterfree Tests 9.3 Problem Entstammt ene beobachtete Zugröße ener bestmmten Vertelung? Vele statstsche Auswertungen setzen Normalvertelung voraus. Daher beschränken wr uns her auf den Anpassungstest an NV, das Verfahren st aber analog zur Anpassung an andere Vertelungen anwendbar. Ene erste grafsche Beurtelung kann über das Hstogramm erfolgen, das für ene NV näherungswese zu ener Glockenkurve passen sollte. En Test ermöglcht ene genauere Beurtelung. Besonderhet der Anpassungstests Nullhypothese: es legt NV vor An deser Hypothese möchte man festhalten, d.h. es st kene Ablehnung erwünscht. Allerdngs 'bewest' ene Nchtablehnung der Nullhypothese ncht das Vorlegen der vermuteten Vertelung, man hat dafür kene statstsche Scherhet. Oft werden Anpassungstest mt α 0. gerechnet, um den β-fehler zu verklenern. SS 08 Prof. Dr. J. Schütze Parameterfree Tests
4 χ ²-Anpassungstest auf NV Man nmmt ene Entelung der Stchprobe n k Klassen vor, wobe de Randklassen halboffen gewählt werden. De Klassenhäufgketen seen O (observed), k. Dann berechnet man unter NV de Wahrschenlchketen deser Klassen und erhält nach Multplkaton mt dem Stchprobenumfang n de erwarteten Klassenhäufgketen E (expected). Testgröße k ( O E) T E Ablehnberech be Rsko α: De Testgröße st unter der Nullhypothese näherungswese χ²-vertelt, wobe de Anzahl der Frehetsgrade aus der Klassenanzahl k und der Anzahl p der geschätzten Parameter der Vertelung berechnet wrd, FG k - -p T >χ k p, α Bespel Entstammen folgende Blutgernnungszeten von 30 Patenten (n s) ener NV?,70 7,00 9,00 4,00 7,70 9,00 4,40 7,80 30,00 5,80 8,00 30,0 5,90 8,00 30,0 6,00 8,0 3,80 6,40 8,70 3,00 6,60 8,70 33,00 6,60 8,80 33,70 6,80 9,00 35,00 Klassenanzahl (Faustregel) k n: n 30 ergbt k 5 oder k 6 xmax xmn 35.0,7 Klassenbrete (Faustregel) b + 3.3logn + 3.3log30 Kompromss: Wahl von 7 Klassen der Brete, begnnend be SS 08 Prof. Dr. J. Schütze Parameterfree Tests 3 SS 08 Prof. Dr. J. Schütze Parameterfree Tests 4 Grafsches Verfahren: Hstogramm Blutgernnungszeten,70 7,00 9,00 4,00 7,70 9,00 4,40 7,80 30,00 5,80 8,00 30,0 5,90 8,00 30,0 6,00 8,0 3,80 6,40 8,70 3,00 6,60 8,70 33,00 6,60 8,80 33,70 6,80 9,00 35,00 untere absolute Häufgket Hstogramm Abwechung von NV Dabe gehört de Untergrenze stets zur Klasse dazu, de Obergrenze ncht (wllkürlche Festlegung). Testdee: de Flächen der Balken werden mt den entsprechenden Flächen unter der Dchte verglchen. Kann de Grafk ncht per Computer erstellt werden, schätzt man aus der Stchprobe de Parameter der NV. Das Maxmum der Kurve legt be μ, de Wendepunkte be μ ± σ. SS 08 Prof. Dr. J. Schütze Parameterfree Tests 5 SS 08 Prof. Dr. J. Schütze Parameterfree Tests 6
5 Blutgernnungszeten, dabe Modfzerung der Randklassen als halboffen untere absolute Häufgket Schätzung der Parameter der NV durch Mttelwert und emprsche Streuung x 8.36 für μ s.86 für σ Berechnung der Klassenwahrschenlchketen als Intervallwktn. der NV mt desen Parametern: b μ a μ Pa ( < X< b) φ φ σ σ z.b P(,4) Φ Φ( ) P(4, 6) Φ Φ Blutgernnungszeten, dabe Modfzerung der Randklassen Untere Wkt. der Klassen erwartete Häufgket Aus den Klassenwahrschenlchketen erhält man nach Multplkaton mt dem Stchprobenumfang n 30 de erwarteten Klassenhäufgketen, z.b Der Test arbetet unzuverlässg, wenn zu vele dünn besetzte Klassen mt erwarteter Häufgket E < 5 auftreten (Faustregel: maxmal 5%). Daher legt man her de ersten und de letzten beden Klassen jewels zusammen. SS 08 Prof. Dr. J. Schütze Parameterfree Tests 7 SS 08 Prof. Dr. J. Schütze Parameterfree Tests 8 Blutgernnungszeten, jewels zusammengelegte Randklassen Klasse beob. Häuf. O erwart. Häuf. E / / S Ablehnung der NV be T >χ k p, α (O - E )²/E Berechnung der Testgröße T Σ (O - E )²/E Frehetsgrade: Be k 5 Klassen und p geschätzten Parametern ergbt sch FG k - -p. Damt st der Schwellwert für den Test be Rsko α 0.05glech χ Entschedung: wegen T.0853 < 5.99 kann de Normalvertelungsannahme ncht verworfen werden., SS 08 Prof. Dr. J. Schütze Parameterfree Tests Achtung De Testgröße st unter der Nullhypothese nur näherungswese χ²-vertelt, und zwar mt k - - p Frehetsgraden be k Klassen und p geschätzten Parametern. Be Test auf NV werden oft de beden Parameter μ, σ² geschätzt, daher hat man be k Klassen k - 3 Frehetsgrade. Man braucht also mndestens 4 Klassen, von denen mndestens n 75% ene erwartete Besetzung E 5 haben sollten, d.h. mnd. 6 Werte n der Stchprobe. Für zu klene Stchproben funktonert der Test also ncht. Besser st dann en Test, der ohne Klassenbldung arbetet, etwa der Kolmogorov-Smrnov-Test oder der Shapro-Wlks-Test, s. Lteratur. SS 08 Prof. Dr. J. Schütze Parameterfree Tests 0
Prof. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrParameterfreie Tests. ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfreie Tests ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen ²- Anpassungstest Test auf Vorliegen einer bestimmten Verteilung Binomialtest Vergleich von unbekannten Anteilen
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrIn der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas
Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
MehrUrsache der Ungewissheit kann dabei z.b. unvollständige Information sein oder unbekannte bzw. nicht beeinflussbare Bedingungen.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl/ FB GW Deskr.1 1 Warum Stochastk? Stochastk: Kunst des Mutmaßens (grech.) Mathematsche Stochastk beschäftgt sch mt der Beschrebung und Untersuchung von Erschenungen,
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrCarlton, M., Devore, J. Probability with Applications in Engineering, Science, and Technology, Springer 2014
Lteratur Moon Jung Cho, Wendy L. Martnez Statstcs n MATLAB: A Prmer, Chapman and Hall/CRC 2014 Carlton, M., Devore, J. Probablty wth Applcatons n Engneerng, Scence, and Technology, Sprnger 2014 Sheldon
MehrNichtparametrische Statistik. Verteilungsfreie Tests. Nichtparametrische Statistik. Verteilungsfreie Tests. Parametrische und Nichtparametrische Tests
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Nchtparametrsche Statstk Vertelungsfree Tests Bometrsche und Ökonometrsche Methoden II SS
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
MehrMusterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur
Musterklausur Wrtschaftsmathematk und Statstk Zusatzstudum für Wrtschaftsngeneur Telnehmer (Name, Vorname): Datum:.2006 Prüfer: Böhm-Retg Matrkelnummer: REGELN 1. Zum Bestehen der Klausur snd mndestens
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrDer Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrP(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =
Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
MehrDatenaufbereitung und -darstellung III
Datenafberetng nd Darstellng 1 Glederng: Zel der Datenafberetng nd Darstellng Datenverdchtng Tabellen nd grafsche Darstellngen Darstellng nvarater Datenmengen (Abschntt 4.4 Darstellng mltvarater Daten
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrStatistische Kennzahlen für die Lage
Statstsche Kennzahlen für de Lage Bsher: gernge Informatonsverdchtung durch Vertelungsbeschrebung Jetzt: stärere Zusammenfassung der Daten auf hr Zentrum ls Raabe: Wahrschenlchetsrechnung und Statstsche
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
MehrHausübung 1 Lösungsvorschlag
Hydrologe und Wasserwrtschaft Hausübung Lösungsvorschlag NIDRSCHLAG Hnwes: Be dem vorlegenden Dokument handelt es sch ledglch um enen Lösungsvorschlag und ncht um ene Musterlösung. s besteht ken Anspruch
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
Mehr3.1 Häufigkeiten bei diskreten Merkmalen Absolute und relative Häufigkeiten Graphische Darstellungen 40
3 Häufgketen 3. Häufgketen be dskreten Merkmalen 39 3.. Absolute und relatve Häufgketen 39 3..2 Graphsche Darstellungen 40 3.2 Häufgketen be stetgen Merkmalen 42 3.2. Das Prnzp der Klassenbldung 42 3.2.2
Mehr4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:
4.5 Lemma Das folgende Problem Par, 0, }max st NP-vollständg: Inut: d, m N mt m d, α N und x,...,x m, 0, } d l.u.. Frage: Exsteren κ,...,κ m, }, sodass m κ x α? Bemerkung: Beachte, dass wegen Satz 4.2
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
MehrStreuungs-, Schiefe und Wölbungsmaße 1
aptel IV Streuung-, Schefe und Wölbungmaße B... Lagemaße von äufgketvertelungen geben allen weng Aukunft über ene äufgketvertelung. Se bechreben zwar en Zentrum deer Vertelung, geben aber kenen Anhaltpunkt
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrHydrologie und Flussgebietsmanagement
13.11.010 Hydrologe und Flussgebetsmanagement o.unv.prof. DI Dr. H.P. Nachtnebel Insttut für Wasserwrtschaft, Hydrologe und konstruktver Wasserbau Glederung der Vorlesung Statstsche Grundlagen Extremwertstatstk
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
Mehr2.2 Rangkorrelation nach Spearman
. Ragkorrelato ach Spearma Wr wolle desem Kaptel de Ragkorrelatoskoeffzete ach Spearma bereche. De erste Daterehe besteht aus Realseruge x, x,..., x der uabhägg ud detsch stetg vertelte Zufallsvarable
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
MehrEin metrisches Merkmal
En metrsches Merkmal 170 171 Bespel Ntratbelastung n NÖ-Trnkwasser Quelle NösWAG/WWF 1998 526 Meßstellen, Angaben n mg/l, Grenzwert st 50mg/l 23 23 32 32 32 12 12 12 12 12 12 12 23 12 12 12 12 23 23 23
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 2. Übung (05.02.2009) Agenda Agenda Datenbsp. scalefactors.dat Berechnen der Varanzen der Latent Response Varablen Berechnen der modellmplzerten
MehrSchätzfehler in der linearen Regression (1) Einführung
Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrVerteilungen, sondern nur, wenn ein. Eignet sich nicht bei flachen. Bei starker Streuung wenig. Wert eindeutig dominiert.
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 Kenngrössen der Statstk Für de Auswertung von Datenrehen werden verschedene Kenngrössen
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
MehrProf. Dr. Barbara Grabowski: Statistische Methoden der Prozessund Qualitätskontrolle, Versuchsplanung und Zuverlässigkeit
Prof. Dr. Barbara Grabowsk: Statstsche Methoden der Prozessund Qualtätskontrolle, Versuchsplanung und Zuverlässgket Enletung 17.4.2014 Prof.Dr.B.Grabowsk Wahlfach StatMeth. PK u. QK, VP und Zuverlässgket,
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
Mehr