W-Rechnung und Statistik für Ingenieure Übung 13
|
|
- Paul Bruhn
- vor 5 Jahren
- Abrufe
Transkript
1 W-Rechnung und Statistik für Ingenieure Übung 13
2 Nächste Woche: Probeklausur Bringen Sie sich ein leeres Exemplar der Probeklausur mit, um sich eine Musterlösung zu erstellen.
3 Aufgabe 1 : Testproblem Testproblem: Betrachten wieder den Datensatz BLECH.DAT: > BLECH [1] Frage: Wird im Mittel ein Wert kleiner als 310 angenommen?
4 Aufgabe 1 : Teststatistik Entscheide mich gegen H 0 : µ 310, falls 310 x groß, genauer: Teststatistik: wobei N=15, µ 0 = 310. P-Wert: P H0 ( X s(x) ) > T(x) = P H0 ( 15 (310 X) s(x) ( 15 X 310 = P H0 s(x) = F t14 ( T(x)) ) < T(x) ) < T(x) F t14 ( T(x)) Verteilungsfunktion in T(x) der t 14 -Verteilung.
5 Aufgabe 1 : Berechnung des P-Werts Bestimme den P-Wert für BLECH.DAT: > N<-length(BLECH) > mu0<-310 > TS<-sqrt(N)*(mu0-mean(BLECH))/sd(BLECH) > TS [1] > pt(-ts,df=n-1) [1] oder > t.test(blech,alternative="less",mu=mu0)$p.value [1] Entscheidung:
6 Aufgabe 1 : Alternative Entscheidungsregel Alternative zu P-Wert: Entscheide gegen H 0, falls > alpha<-0.05 > #kritischer Wert > qt(1-alpha,df=n-1) [1] > #lehne H0 ab, falls TS>kritischer Wert > TS>qt(1-alpha,df=N-1) [1] FALSE Entscheidung:
7 Aufgabe 1 : Darstellung der Gütefunktion Gütefunktion: γ(µ) = P µ (Entscheidung für H 1 ) = F t14 ( N µ µ 0 σ )( t N 1,1 α) > mus<-seq(200,400,0.5) #Ausgewertete mu s > plot(mus,pt(-qt(1-alpha,df=n-1),df=n-1, + ncp=sqrt(n)*(mus-mu0)),type="l", + main="g"utefunktion",ylab="",lwd=3,ylim=c(0,1)) > abline(h=alpha,lwd=2,lty=2) #Linie bei Niveau zeichnen
8 Aufgabe 1 : Plot der Gütefunktion Gütefunktion mu
9 Aufgabe 2(a) : Testproblem Nun wollen wir Aussagen zur Streuung testen. Wir nehmen weiterhin an, dass Daten normalverteilt sind Testproblem: Entscheidungsregel: Genauer: T(x) = (N 1) s(x) σ 0 = (15 1) s(x) 30, Lehne H 0 ab, falls T(x) > χ 2 N 1;1 α oder T(x) < χ 2 N 1; α, 2 2 wobei χ 2 N 1, α das α 2 2 Quantil einer χ2 -Verteilung mit N-1 Freiheitsgraden bezeichnet.
10 Aufgabe 2(a) : Berechnung in R > N<-length(BLECH) > alpha<-0.05 > s0<-30 > TS_var<-(N-1)*sd(BLECH)/s0 > k1<-qchisq(1-alpha/2,df=n-1) > k2<-qchisq(alpha/2,df=n-1) > TS_var>k1 [1] FALSE > TS_var<k2 [1] FALSE Entscheidung:
11 Aufgabe 2(b) : Testproblem Testproblem: Lehne H 0 ab, falls s(x) 30 klein. Genauer: T(x) = (N 1) s(x) = (15 1) s(x) σ 0 30, Entscheidungsregel: Lehne H 0 ab, falls T(x) < χ 2 N 1;α (α-quantil der χ 2 N 1 -Verteilung) Der Test heißt Ein-Stichproben χ 2 (Chi-Quadrat)-Test
12 Aufgabe 2(b) : Berechnung in R > TS_var<-(N-1)*sd(BLECH)/s0 > k<-qchisq(alpha,df=n-1) > TS_var<k [1] FALSE Entscheidung:
13 Aufgabe 3 : Vergleich von Blechproben Haben zuzätzlich zu BLECH Daten einer zweiten Produktionslinie: 364, 339, 289, 304, 362, 324, 314, 330, 301, 274, 319, 314, 326, 328, 310 Fragen: Unterscheiden sich die Blechdicken der beiden Produktionslinien im Mittel (Erwartungswert)? Unterscheiden sie sich in der Streuung (Varianz)?
14 Aufgabe 3 : Tests für Mittelwert Testproblem: H 0 : µ BLECH1 = µ BLECH2 gegen H 1 : µ BLECH1 µ BLECH2 Mögliche Tests: Zweiseitiger t-test Voraussetzungen: Welch-Zweiseitiger t-test Voraussetzung: Wilcoxon-Test
15 Aufgabe 3 : Annahme einer Normalverteilung Verwenden ein graphisches und ein statistisches Verfahren: graphisch : qqnorm(xdata) statistisch:
16 Aufgabe 3 : Q-Q-Normal-Plot > qqnorm(blech,pch=16) #Anfertigen des Plots > qqline(blech,lwd=3) #Linienbreite ändern > qqnorm(blech2,pch=16) #Anfertigen des Plots > qqline(blech2,lwd=2) #Linienbreite ändern Normal Q Q Plot Normal Q Q Plot Sample Quantiles Sample Quantiles Theoretical Quantiles Theoretical Quantiles Ergebnis:
17 Aufgabe 3 : Shapiro-Wilk-Test Nullhypothese des Tests: Normalverteilung liegt vor > shapiro.test(blech) Shapiro-Wilk normality test data: BLECH W = , p-value = > shapiro.test(blech2) Shapiro-Wilk normality test data: BLECH2 W = , p-value = Ergebnis:
18 Aufgabe 3 : Varianzen Testproblem: 2 Produktionslinien, daher 2 ungepaarte Stichproben Zweiseitiger Varianztest (F-Test) braucht normalverteilte Daten Teststatistik: Entscheidungsregel: Lehne H 0 : σ BLECH1 = σ BLECH2 ab, falls s(x)2 s(y) 2 > F N1 1;N 2 1; 1 α 2 oder s(x)2 s(y) 2 < F N1 1;N 2 1; α 2.
19 Aufgabe 3 : Test der Varianzen in R > var.test(blech,blech2) F test to compare two variances data: BLECH and BLECH2 F = , num df = 14, denom df = 14, p-value = alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: sample estimates: ratio of variances Entscheidung:
20 Aufgabe 3 : Mittelwerte Testproblem: Varianzen können als gleich angenommen werden (Vgl. F-Test) Normalverteilung wird angenommen (Vgl. Q-Q-Normal-Plot und Shapiro-Wilk-Test) Zwei-seitiger t-test für zwei Stichproben Teststatistik: T(x, y) = N1 N 2 N 1 + N 2 x ȳ s 12 (x, y) Entscheidungsregel: Lehne H 0 ab, falls N1 N 2 x ȳ N 1 +N 2 s 12 (x,y) > t N 1 +N 2 2;1 α 2
21 Aufgabe 3 : Test der Mittelwerte in R > t.test(blech,blech2,var.equal=t) Two Sample t-test data: BLECH and BLECH2 t = , df = 28, p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y Entscheidung:
22 Aufgabe 3 : Welch-Zweiseitiger t-test > t.test(blech,blech2,alternative= two.sided +,var.equal=f)$p.value [1] > t.test(blech,blech2,alternative= two.sided +,var.equal=f)$statistic t Entscheidung:
23 Aufgabe 3 : Wilcoxon-Test Alternativer Test für die Mittelwerte, der keine Normalverteilung braucht: > wilcox.test(blech,blech2,alternative= two.sided ) Wilcoxon rank sum test with continuity correction data: BLECH and BLECH2 W = 121.5, p-value = alternative hypothesis: true location shift is not equal to 0 Entscheidung:
24 Aufgabe 4 : Streudiagramm der Daten Stellen Druckfestigkeit und Festbetonrohdichte dar: Festbetonrohdichte Druck
25 Aufgabe 4 : Tests auf Zusammenhang Testproblem: H 0 : ρ = 0 gegen H 1 : ρ 0 Zweiseitiger Korrelations-Test basierend auf Korrelationskoeffizienten von Pearson Voraussetzungen: Zweiseitiger Korrelations-Test basierend auf Spearmanschen Rangkorrelationskoeffizienten χ 2 -Test, vor allem auch für nominale Merkmale
26 Aufgabe 4 : Prüfen einer Normalverteilung der Daten (1) > shapiro.test(beton$druck)$p.value [1] > shapiro.test(beton$festbetonrohdichte)$p.value [1] Entscheidung:
27 Aufgabe 4 : Prüfen einer Normalverteilung der Daten (2) > qqnorm(beton$druck,pch=16) > qqline(beton$druck,lwd=3) > qqnorm(beton$festbetonrohdichte,pch=16) > qqline(beton$festbetonrohdichte,lwd=3) Normal Q Q Plot Normal Q Q Plot Sample Quantiles Sample Quantiles Theoretical Quantiles Theoretical Quantiles
28 Aufgabe 4 : Test auf Zusammenhang Benutze aufgrund der Datenanalyse den Korrelations-Test basierend auf Rangkorrelationskoeffizienten! > cor.test(festbetonrohdichte,druck,method="spearman") Spearman s rank correlation rho data: beton$festbetonrohdichte and beton$druck S = , p-value = 6.456e-05 alternative hypothesis: true rho is not equal to 0 sample estimates: rho Ergebnis:
29 Aufgabe 4 : Ergebnis des ungeeigneten t-tests Was passiert, wenn wir den Test anwenden, für welchen die Voraussetzungen nicht erfüllt waren? > cor.test(festbetonrohdichte,druck,method="pearson") Pearson s product-moment correlation data: beton$festbetonrohdichte and beton$druck t = , df = 123, p-value = alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: sample estimates: cor Ergebnis:
30 Aufgabe 4 : Ergebnis des χ 2 -Test Was ergibt der bei stetigen Daten ungenaue χ 2 -Test? > chisq.test(table(beton$festbetonrohdichte,beton$druck)) Pearson s Chi-squared test data: table(beton$festbetonrohdichte, beton$druck) X-squared = , df = 6804, p-value = Warnmeldung: In chisq.test(table(beton$festbetonrohdichte, beton$druck)) Chi-Quadrat-Approximation kann inkorrekt sein Ergebnis:
31 Zusammenfassung : Univariate Stichproben Test für den Erwartungswert (mittleren Wert) Voraussetzung t-test (t.test) Normalverteilung H 0 : µ = µ 0 t.test(..,alternative= two.sided,..) H 0 : µ µ 0 t.test(..,alternative= less,..) H 0 : µ µ 0 t.test(..,alternative= greater,..) Wilcoxon-Test (wilcox.test) - Test für die Varianz Ein-Stichproben χ 2 -(Chi-Quadrat)-Test Voraussetzung Normalverteilung
32 Zusammenfassung : Bivariate Stichproben Tests auf Zusammenhang Voraussetzung Pearson-Korrelationstest Normalverteilung H 0 : ρ = 0 kein Zusammenhang cor.test(x,y,method= pearson ) Spearmanscher-Rang-Korrelationstest - H 0 : ρ = 0 kein Zusammenhang cor.test(x,y,method= spearman ) χ 2 (Chi-Quadrat)-Test (wenige verschiedene Werte) auf Unabhängigkeit H 0 : kein Zusammenhang chisq.test(table(x,y))
33 Zusammenfassung : Univariate, gepaarte Stichproben Test für den Vergleich der Varianzen F-Test oder Varianz-test für 2 Stichproben var.test(x,y,..) Test für den Vergleich der Mittelwerte 2-Stichproben-t-Test t.test(x,y,var.equal=true) Voraussetzung Normalverteilung Voraussetzung NVt., gleiche Varianz 2-Stichproben-t-Test NVt. t.test(x,y,var.equal=false) Wilcoxon-Test - wilcox.test(x,y)
Teil 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
MehrStatistik für Ingenieure Vorlesung 12
Statistik für Ingenieure Vorlesung 12 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 23. Januar 2017 5.1.1. Tests für eine Stichprobe mit stetiger Skala a) Shapiro-Wilk-Test
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
Mehr> read.table("d:\\reifen.txt",header=t) > Reifen
1. Aufgabe: Auf einer Reifenrollentestanlage werden Versuche durchgeführt um die Langlaufeigenschaften zu untersuchen. Insbesondere wird die Untersuchung des Abriebs über simulierte Anfahr- Brems- und
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
MehrHypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1
Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1 Inhalt Programmiersprache R Syntax Umgang mit Dateien Tests t Test F Test Wilcoxon Test 2 Test Zusammenfassung 2 Programmiersprache R Programmiersprache
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler 20. Mai 2010 Inhaltsverzeichnis
MehrFragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu 82 97 92 93 90 94 92 75 87 89 hdl 56 24 37 12 28 69 41 44 49 40 ratio 3.60 6.90 6.20 6.50 8.90 3.60 4.80 5.20 3.60 6.60 glyhb 4.31 4.44 4.64 4.63 7.72 4.81 4.84
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html
MehrStatistik für Ingenieure Vorlesung 11
Statistik für Ingenieure Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 23. Januar 2018 5. Schließende Statistik 5.1. Statistische Tests (Signifikanztests)
MehrAnalytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
Mehr14.3 Das Einstichprobenproblem in R
14.3. DAS EINSTICHPROBENPROBLEM IN R 343 0.553 0.570 0.576 0.601 0.606 0.606 0.609 0.611 0.615 0.628 0.654 0.662 0.668 0.670 0.672 0.690 0.693 0.749 0.844 0.933 die absoluten Häufikeiten n i der Klassen.
MehrEine Einführung in R: Statistische Tests
I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Eine Einführung in R: Statistische Tests
MehrStochastik Praktikum Testtheorie
Stochastik Praktikum Testtheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 11.10.2010 Definition X: Zufallsgröße mit Werten in Ω, (Ω, F, (P ϑ ) ϑ Θ ) statistisches Modell Problem: Teste H 0 : ϑ
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
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
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
MehrBiostatistik, WS 2017/18 Der zwei-stichproben-t-test
1/28 Biostatistik, WS 2017/18 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 15.12.2017 und 22.12.2017 2/28 Inhalt
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
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/
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
MehrBiostatistik, Sommer 2017
1/57 Biostatistik, Sommer 2017 : Gepaarter, Ungepaarter t-test, Welch Test Prof. Dr. Achim Klenke http://www.aklenke.de 12. Vorlesung: 07.07.2017 2/57 Inhalt 1 Gepaarter t-test Ungepaarter t-test Ungepaarter
MehrBiostatistik, Sommer Nichtparametrische Statistik: Mediantest, Rangsummentest, χ 2 -Test. Prof. Dr. Achim Klenke.
1/52 Biostatistik, Sommer 2017 Nichtparametrische Statistik: Mediantest, Rangsummentest, χ 2 -Test Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 14.07.2017 Entwurf 2/52 Inhalt 1 Nichtparametrische
Mehr7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17
7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17 1. Aufgabe: a) Grundgesamtheit sind alle Reifen aus der Produktion von Langstone aus dem Monat März der entsprechenden Reifentypen.
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Dirk Metzler 24. Mai 2017 Inhaltsverzeichnis 1 Wiederholung:
MehrFragestellungen. Ist das Gewicht von Männern und Frauen signifiant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu hdl ratio glyhb location age gender height weight frame 82 56 3.60 4.31 Buckingham 46 female 62 121 medium 97 24 6.90 4.44 Buckingham 29 female 64 218 large 92
MehrBiostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test
1/22 Biostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 20.12.2013 Motivation 4/22 Bei (ungefähr) glockenförmigen und symmetrisch
MehrAufgabe Σ erreichbare Punkte
TU Bergakademie Freiberg Fakultät für Mathematik und Informatik Institut für Stochastik Matrikel-Nr. Modulprüfung Prüfungsfach: Stochastik und Statistik für Ingenieure Prüfer: Prof. Hans-Jörg Starkloff
MehrKlausur Stochastik und Statistik (WS 2008/09)
Klausur Stochastik und Statistik (WS 2008/09) Aufgabe: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Pkt. mgl. 2 1 1 1 8 4 4 2 7 2 2 2 2 2 2 1 3 2 2 50 Pkt erreicht: Name, Vorname: Matrikelnummer: Fachrichtung:
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
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
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
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
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
MehrMetrische und kategoriale Merkmale
Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)
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
MehrJonathan Harrington. Die t-verteilung
Jonathan Harrington Die t-verteilung Standard error of the mean (SE) ist die Standardabweichung von Mittelwerten Ich werfe 5 Würfel und berechne den Mittelwert der Zahlen µ = 3.5 der wahrscheinlichste
MehrStatistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R
Statistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R Mathias Stephan Panzenböck e0427417 12. Juni 2006 Beispiel 1 library(e1071) library(car) load('0427417.rdata') a) min(bsp1$x) # = 2.435354
Mehr# Befehl für den Lilliefors-Test
1/5 Matthias Rudolf & Diana Vogel R-Kurs Graduiertenakademie September 2017 Loesungsskript: Tests 1a library(nortest) 1b lillie.test Befehl für den Lilliefors-Test 2a, Datensatz "Schachbeispiel einlesen"
MehrStatistik Vorlesung 6 (Tests II)
Statistik p. 1/57 Statistik Vorlesung 6 (Tests II) K.Gerald van den Boogaart http://www.stat.boogaart.de Statistik p. 5/57 Das Entscheidungsverfahren Das Test (also das Entscheidungsverfahren) { 0, falls
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
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
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.
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
MehrMehrere metrische Merkmale
Kapitel 5 Mehrere metrische Merkmale 5.1 Wie kann man zwei metrische Merkmale grafisch beschreiben? Ein Streudiagram von zwei metrischen Merkmalen erzeugt man mit der Funktion plot mit den Beobachtungen
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Einstichproben-t-Test und approximativer Gaußtest
Mehr1. Nennen Sie den für das Merkmal X geeigneten Skalentyp und begründen Sie Ihre Antwort.
Aufgabe 1 150 Personen gaben bei einer Befragung an, wie viel Geld sie in diesem Jahr für Weihnachtsgeschenke ausgegeben haben. Die Ergebnisse der Befragung sind in nachfolgender Tabelle zusammengefasst,
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrStatistik mit R, Sitzung am
Statistik mit R, Sitzung am 19.06.07 Mike Kühne 1 R-Kurs INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Bivariate Statistik 3 1.1 Tabellen.............................. 3 1.2 Zusammenhangsmaße für nominal skalierte
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrProportions Tests. Proportions Test können in zwei Fällen benutzt werden. Vergleich von beobachteten vs. erwarteten Proportionen
Proportions-Tests Proportions Tests Proportions Test können in zwei Fällen benutzt werden Vergleich von beobachteten vs. erwarteten Proportionen Test der Unabhängigkeit von 2 Faktoren kann auch zum Vergleich
Mehr1 (2π) m/2 det (Σ) exp 1 ]
Multivariate Normalverteilung: m=1: Y N(µ; σ 2 ) Erwartungswert: µ Varianz: σ 2 f Y (y) = f Y1 Y 2...Y m (y 1,y 2,...,y m ) = [ 1 exp 1 ] 2πσ 2 2 (y µ)2 /σ 2 Σ: m m-matrix, symmetrisch, positiv definit.
MehrLösungen zur Hausaufgabe Statistik für Hydrologen 2016
Dr. Wiltrud Kuhlisch SOS 2016 TU Dresden, Institut für Mathematische Stochastik Lösungen zur Hausaufgabe Statistik für Hydrologen 2016 Aufgabe 1: Das Merkmal Groesse hat metrisches Skalenniveau. Darstellung
Mehr1 Ausgangssituation und Versuchsziel
1 Ertragsunterschiede in Abhängigkeit von Pflanztiefe und Pflanztermin bei Knoblauch mit Wintergerste als Untersaat LFS Obersiebenbrunn 2015 1 Ausgangssituation und Versuchsziel... 1 2 Methode und Sorten...
MehrWerkzeuge der empirischen Forschung
Werkzeuge der empirischen Forschung I. Daten und Beschreibende Statistik 1. Einführung 2. Dateneingabe, Datentransformation, Datenbehandlung 3. Beschreibende Statistik II. Schließende Statistik 1 III.
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
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrBiostatistik, WS 2017/18 Der t-test
1/65 Biostatistik, WS 2017/18 Der t-test (Zwei gepaarte Stichproben bzw. eine Stichprobe) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 8.12.2017 und 15.12.2017 Beispiel: Orientierung
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
MehrMusterlösung zu Serie 8
Prof. Dr. W. Stahel, Dr. J. Ernest Regression HS 2017 Musterlösung zu Serie 8 1. Im Data Frame http://stat.ethz.ch/teaching/datasets/wbl/umwelt.dat sind die Ergebnisse einer Umfrage zum Umweltschutz gegeben.
MehrStatistik Vorlesung 6 (Tests II)
Statistik p. 1/57 Statistik Vorlesung 6 (Tests II) K.Gerald van den Boogaart http://www.stat.boogaart.de Statistik p. 2/57 Daten Schätzung Test Mathe Die Datenminen Riesige Halde mit nichtrepräsentativen
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrStatistik Vorlesung 6 (Tests II)
Statistik Vorlesung 6 (Tests II) K.Gerald van den Boogaart http://www.math-inf.uni-greifswald.de/statistik Statistik p.1/25 Daten Schätzung Test Mathe Die Datenminen Riesige Halde mit nichtrepräsentativen
Mehr1. Übungsblatt zu Wahrscheinlichkeitsrechnung und Statistik in den Ingenieurswissenschaften
1. Übungsblatt zu Aufgabe 1: In R können die Logarithmen zu verschiedenen Basen mit der Funktion log berechnet werden, wobei im Argument base die Basis festgelegt wird. Plotten Sie die Logarithmusfunktion
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
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
MehrW-Rechnung und Statistik für Ingenieure Übung 5
W-Rechnung und Statistik für Ingenieure Übung 5 Grafische/ tabellarische Darstellung für bivariate Daten diskrete Merkmale (qualitativ+ quantitativ diskret) stetige Merkmale (quantitativ stetig) Zusammenhangsmaße
MehrProgrammieren in Anwendungen
Programmieren in Anwendungen Annette Bieniusa Technische Universität Kaiserslautern bieniusa@cs.uni-kl.de 20./21.06.2013 1 / 41 Überblick Stochastische Modellbildung Testtheorie Korrelation 2 / 41 Stochastische
MehrMetrische Merkmale in R. Metrische Merkmale in R. Beispiel: Nitratbelastung. Beispiel: Nitratbelastung
1 metrisches Merkmal (Verteilungs-)Maßzahlen Methoden empirischer Sozialforschung Histogramm, Boxplot Metrische Merkmale Haben die Daten eine bestimmte Verteilungsform? QQ-Plot Ist ein Mittelwert in der
Mehr3. Geben Sie Modus, Erwartungswert und Varianz der Zufallsvariablen X an.
Aufgabe 1 Der Student Paul fährt jeden Tag mit dem Fahrrad zur Uni. Die Strecke kreuzt drei Fußgängerüberwege mit Bedarfsampeln, die durch Fußgänger aktiviert werden. Wird Paul an einer Bedarfsampel gestoppt,
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
MehrANGEWANDTE STATISTIK II Prüfungstermin Name:
Die Beantwortung der Rechenaufgaben hat zusätzlich zu den numerischen Ergebnissen zu beinhalten: - Feststellung des Problemtyps, Angabe der Lösungsmethode; - bei den Testverfahren: Hypothesen, P-Wert,
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
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
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
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 +... +
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 +... +
MehrAusgangssituation und Versuchsziel
1 Ertragsunterschiede in Abhängigkeit vom Pflanztermin bei Knoblauch LFS Obersiebenbrunn 2014 1 Ausgangssituation und Versuchsziel... 1 2 Methode und Sorten... 1 2.1 Fragestellung Pflanztermin... 1 3 Kulturführung...
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
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
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
MehrEin metrisches Merkmal
Kapitel 4 Ein metrisches Merkmal 4.1 Wie kann man ein metrisches Merkmal numerisch beschreiben? Häufigkeitstabellen erzeugt man mit table. Das arithmetische Mittel und den Median berechnet man mit mean
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
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrStatistische Datenanalyse mit R, Korrelation und Regression. Dr. Andrea Denecke Leibniz Universität IT-Services
Statistische Datenanalyse mit R, Korrelation und Regression Dr. Andrea Denecke Leibniz Universität IT-Services Korrelationsanalyse Eine Korrelationsanalyse soll herausfinden Ob ein linearer Zusammenhang
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
Mehr