Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
|
|
- Karin Winter
- vor 7 Jahren
- Abrufe
Transkript
1 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel: (mittlere) Trockenzeit eines Lackes laut Hersteller: 10 min. N = 50 Trockenzeiten aus Versuch: X 1,..., X N Entscheide zwischen 1) Akzeptiere Herstellerangabe Einsatz des Lackes in der Produktion. 2) Herstellerangabe erscheint unglaubhaft Konkurrenzprodukt Entscheidungsverfahren: X N 11 min 1) X N > 11 min 2)
2 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.2 Beispiel: Identifizierung eines berechtigten Nutzers durch Sensormaus Entscheide zwischen 1) Nutzer wird als berechtigt erkannt und erhält Zugang 2) Nutzer wird zurückgewiesen Zwei Fehlertypen: I: Unberechtigter Nutzer wird akzeptiert II: Berechtigter Nutzer wird zurückgewiesen Ziel: Entscheidungsverfahren auf der Grundlage der Sensormessung, das mit hoher Wahrscheinlichkeit richtig entscheidet. Ws(Fehler I) 10 6 Ws(Fehler II) 10 5 (durch Tests widerlegt)
3 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler Entscheidung zwischen zwei möglichen Mittelwerten Beispiel: Empfang eines zeitdiskreten binären Signals (0 oder 1) gestört durch additives Rauschen im Übertragungsmedium. Entscheide, ob 0 oder 1 gesendet wird. Modell: Rauschen R 1,..., R N u.i.v. N (0, σ 2 ) Daten X 1,..., X N : X j = µ + R j Entscheide: µ = 0 oder µ = 1 Modell: X 1,..., X N u.i.v. N (µ, σ 2 ) mit bekanntem σ 2
4 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.4 Modell: X 1,..., X N u.i.v. N (µ, σ 2 ) mit bekanntem σ 2 Entscheide: µ = 0 oder µ = 1 Plausibles Entscheidungsverfahren: X N µ Wähle Schranke d und: wenn X N d, entscheide für µ = 0 wenn X N > d, entscheide für µ = 1
5 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.5
6 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.6
7 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.7
8 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.8 Gleichwertig, aber einfacher zu analysieren: Standardisierte Teststatistik Z = Nσ X N Wähle Schranke c und: Wenn Z = Nσ X N c, entscheide für µ = 0. Wenn Z = Nσ X N > c, entscheide für µ = 1. Z ist N (0, 1)-verteilt, falls µ = 0 - unabhängig von σ 2!
9 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.9 Z c entscheide µ = 0. Zwei mögliche Fehlentscheidungen: I) In Wahrheit µ = 0, durch Zufall aber Z = Nσ X N > c falsche Entscheidung für µ = 1 Ws µ=0 (Fehler) = Ws µ=0 (Z > c) = 1 Φ(c), da Z standardnormalverteilt ist, falls µ = 0. II) In Wahrheit µ = 1, aber Z = Nσ X N c falsche Entscheidung für µ = 0 Ws µ=1 (Fehler) = Ws µ=0 (Z c) ( N = Ws µ=1 σ (X N 1) c ( ) N = Φ c σ N σ )
10 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.10
11 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.11 Gauß-Test zum Niveau α: Z = N(XN µ 0 ) σ Hypothese Alternative H 0 verwerfen, wenn H 0 : µ = µ 0 H 1 : µ > µ 0 Z > q 1 α H 0 : µ µ 0 H 1 : µ > µ 0 Z > q 1 α q 1 α = (1 α)-quantil von N (0, 1). Test hat das Niveau α, da für alle µ µ 0 Ws µ (Fehler 1. Art) = Ws µ (Z > q 1 α ) Ws µ0 (Z > q 1 α ) = 1 Φ(q 1 α ) = α
12 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.12 Beispiel: Bohrer bohrt Löcher in Bleche, deren Durchmesser bei ungestörter Funktion N (µ 0, σ 2 )-verteilt ist mit µ 0 = 2 cm, σ = 0, 06 cm. Störungen Tendenz zu größeren Löchern, aber gleiche Variabilität. Daten: N = 9 Messungen x 1,..., x 9 Modell: X 1,..., X 9 u.i.v. N (µ, σ 2 ), σ = 0, 06 cm Hypothese (keine Störung): H 0 : µ = µ 0 = 2 cm Alternative (Störung): H 1 : µ > µ 0 X N = 2, 05 cm. Wahl von α : α = 0, 05; c α = 1, 645 N(XN µ 0 ) σ = 3 (2, 05 2) 0, 06 = 0, 15 0, 06 = 2, 5> 1, 645 H 0 verwerfen!
13 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.13 t-statistik: T = N (X N µ 0 ) s N µ = µ 0 gegen µ > µ 0 Verwandte Entscheidungsprobleme: 1) H 0 : µ = µ 0 gegen H 1 : µ < µ 0 Verwirf H 0, wenn T klein genauer: wenn T < t N 1,α = t N 1,1 α 2) H 0 : µ = µ 0 gegen H 1 : µ µ 0 Verwirf H 0, wenn T groß genauer: wenn T > t N 1,1 α/2
14 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.14 Ein-Stichproben-t-Test zum Niveau α Teststatistik T = N (X N µ 0 ) s N Hypothese Alternative H 0 verwerfen, wenn H 0 : µ = µ 0 (µ µ 0 ) H 1 : µ > µ 0 T > t N 1,1 α H 0 : µ = µ 0 (µ µ 0 ) H 1 : µ < µ 0 T < t N 1,1 α H 0 : µ = µ 0 H 1 : µ µ 0 T > t N 1,1 α/2 Letzter Fall: Zweiseitige Alternative 1. und 2. Fall: Einseitige Alternative
15 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.15 Beispiel: Lackhersteller behauptet mittlere Trockenzeit = 10 min = µ 0 N = 50 Proben X 1,..., X 50 mit X 50 = 10, 89 min ; s 50 = 1, 54 min Modell: X 1,..., X 50 u.i.v. N (µ, σ 2 ) µ = wahre mittlere Trockenzeit Entscheide, ob µ = µ 0 akzeptabel oder eher µ > µ 0! Fehlentscheidung Folgen µ = µ 0 akzeptieren, obwohl µ > µ 0 vorübergehende Verzögerungen in der Produktion µ = µ 0 verwerfen, obwohl korrekt dauerhaft höhere Kosten beim Einkauf eines Konkurrenzprodukts
16 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler Fall schlimmer wähle µ = µ 0 als Hypothese H 0 Entscheide: H 0 : µ = µ 0 = 10 min oder H 1 : µ > µ 0! Wähle Niveau α = 0, 05. Tabelle 4 t 49,1 α = 1, 645 (ν = inf) Berechne: T = 50 X min s 50 = 4, 087 Da T > t 49,1 α verwirf H 0 als unglaubhaft zugunsten von H 1 Ergebnis: Ziemlich sicher (bis auf Irrtumswahrscheinlichkeit α = 5%) ist µ > µ 0. Wäre T t 49,1 α wird H 0 als mit den Daten verträglich akzeptiert keineswegs sicher, dass H 0 wahr ist! In diesem Fall gibt es hohe Irrtumswahrscheinlichkeiten!
17 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.17 Interpretation von Testresultaten Test von H 0 gegen H 1 auf dem Niveau α Situation I: H 0 wird verworfen Die Entscheidung ist für die Alternative H 1 gefallen. Dann sind wir ziemlich sicher (bis auf geringe Irrtumswahrscheinlichkeit α), dass wir richtig entschieden haben, d.h. dass H 1 stimmt. Situation II: H 0 wird akzeptiert Die Entscheidung fällt für H 0, da die Daten diese Möglichkeit nicht ausschließen. Die Irrtumswahrscheinlichkeit (für Fehler 2. Art) kann groß sein. H 0 muss nicht stimmen!
18 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.18 Speziell für t-test: H 0 : µ = µ 0 gegen H 1 : µ > µ 0 I) Ws µ0 (Fehler) = α klein! II) Ws µ>µ0 (Fehler) 1 α für µ µ 0 groß! Ws µ>µ0 (Fehler) 0 für µ Auch in Situation II weiß man wenigstens, dass Werte von µ µ 0 praktisch ausgeschlossen sind. Präzisere Aussage: Untersuche Ws µ (Fehler 2. Art) für µ > µ 0
19 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.19
20 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.20 Modell: X 1,..., X N u.i.v. N (µ, σ 2 ) Frage: σ 2 = σ 2 0? oder σ2 > σ 2 0? Teststatistik S 2 = (N 1) s2 N σ 2 0 Bei Gültigkeit der Hypothese H 0 : σ 2 = σ 2 0 ist S2 χ 2 N 1 -verteilt, d.h. χ 2 -verteilt (Chi-Quadrat) mit N 1 Freiheitsgraden. Wähle Niveau α und dazu passend als Schranke χ 2 N 1,1 α = (1 α) -Quantil von χ2 N 1 Quantile: Tabelle 5
21 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.21 Chi-Quadrat-Test für Varianz zum Niveau α Teststatistik S 2 = (N 1) s2 N σ 2 0 Hypothese Alternative H 0 verwerfen, wenn H 0 : σ 2 = σ 2 0 (σ2 σ 2 0 ) H 1 : σ 2 > σ 2 0 S 2 > χ 2 N 1,1 α H 0 : σ 2 = σ 2 0 (σ σ2 0 ) H 1 : σ 2 < σ 2 0 S 2 < χ 2 N 1,α H 0 : σ 2 = σ 2 0 H 1 : σ 2 σ 2 0 S 2 < χ 2 N 1, α 2 oder > χ 2 N 1,1 α 2
22 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.22 Fallstudie: 1 Pfund - Kaffeepackung Forderung: 1. Im Mittel 500 g Inhalt. 2. Höchstens 1 von 100 Packungen 480 g. Daten: Inhaltsmessungen x 1,..., x 20 Modell: sind Realisationen von u.i.v. N (µ, σ 2 )-Zufallsgrößen X 1,..., X Problem: µ = µ 0 = 500 g oder µ µ 0? 2. Problem: Ws µ0 (X j 480 g) 0, 01?
23 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler Problem: Ws µ0 (X j 480 g) 0, 01? 0, 01 Ws µ0 X j 500g }{{ σ } N (0,1) 20g σ ( 20 = Φ σ ) σ σ 0 wobei Φ ( 20 σ 0 ) = 0, 01, d.h. 20 σ 0 = q 0,01 = 1%-Quantil von N (0, 1) 20 σ 0 = 2, Problem: σ σ 0 = 20 2,33 = 8, 57 g?
24 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.24 Beispiel: X 20 = 496 g, s 2 20 = 105 g2 1. Problem: H 0 : µ = µ 0 = 500 g gegen H 1 : µ µ 0 Niveau α = 0, 05 20(X20 µ T = 0 ) s 20 = 20( 4) 10, 25 akzeptiere H 0 = 1, 745 2, 093 = 0, 975-Quantil von t Problem: H 0 : σ 2 σ 2 0 = (8, 57 g)2 gegen H 1 : σ 2 > σ 2 0 S 2 = 19 s2 20 σ 2 0 = , 44 = 27, 17 akzeptiere H 0 30, 144 = 0, 95 Quantil von χ 2 19
25 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.25 Konstruktion von Tests am Beispiel des t-tests für H 0 : µ = 0 gegen H 1 : µ 0 Aussage H 0 über interessante Kenngröße, z.b. µ = 0 glaubhaft? Schätzer, z.b. X N für µ akzeptiere H 0, wenn X N 0 bzw. X N klein. Was genau heißt oder klein? Hängt von der Variabilität des Schätzers und damit von der Varianz der Beobachtungen ab standardisiere X N so, dass seine Größe, genauer: seine Verteilung unter H 0, nicht mehr von der Varianz der Daten abhängt akzeptiere H 0, wenn T klein mit T = X N s N / N
26 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.26
27 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.27
28 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.28
29 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.29 Zwei-Stichproben-t-Test zum Niveau α (Ann.: σ 2 1 = σ2 2!) Teststatistik: T = X N Y M 1N + 1 M s N,M s 2 N,M = (N 1)s2 x,n + (M 1)s2 y,m N + M 2 Hypothese Alternative H 0 verwerfen, wenn H 0 : µ 1 = µ 2 H 1 : µ 1 > µ 2 T > t N+M 2, 1 α µ 1 µ 2 H 0 : µ 1 = µ 2 H 1 : µ 1 < µ 2 T < t N+M 2, 1 α µ 1 µ 2 H 0 : µ 1 = µ 2 H 1 : µ 1 µ 2 T > t N+M 2, 1 α 2
30 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.30 Approximativer Zwei-Stichproben-t-Test zum Niveau α (benannt nach WELCH oder SMITH & SATTERTHWAITE) Modell: X 1,..., X N u.i.v. N (µ 1, σ 2 1 ) Y 1,..., Y M u.i.v. N (µ 2, σ 2 2 ), unabhängig von X i σ 2 1 σ2 2 möglich! Teststatistik: T = X N Y M 1N s 2 x,n + 1 M s2 y,m Zum Beispiel Test: H 0 : µ 1 µ 2 gegen H 1 : µ 1 > µ 2 H 0 verwerfen, wenn T > t g,1 α mit Freiheitsgraden g ( 1 N s2 x,n + 1 M s2 y,m )2 1 N 1 ( 1 N s2 x,n )2 + 1 M 1 ( 1 M s2 y,m )2
31 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.31 Kritische Annahme: σ 2 gleich für beide Stichproben Modell: X 1,..., X N unabhängig N (µ 1, σ1 2) Y 1,..., Y M unabhängig N (µ 2, σ2 2) Hypothese H 0 : σ1 2 = σ2 2 oder Alternative H 1 : σ1 2 σ2 2? Idee: Betrachte s 2 x,n s 2 y,m σ2 1 σ 2 2 = 1, wenn H 0 zutrifft. Unter der Hypothese ist: s 2 x,n s 2 y,m Fisher- oder F -verteilt mit (N 1, M 1)-Freiheitsgraden, kurz: F N 1,M 1 -verteilt. s 2 x,n s2 y,m lehne H 0 : σ 2 1 = σ2 2 ab.
32 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.32 F -Test auf Gleichheit von Varianzen: H 0 verwerfen, wenn s 2 x,n s 2 y,m > f N 1,M 1,1 α/2 = (1 α 2 ) -Quantil von F N 1,M 1 (s. Tabelle 6) H 0 wird auch abgelehnt, wenn s 2 x,n s2 y,m, genauer wenn: s 2 y,m s 2 x,n > f M 1,N 1,1 α/2 Hypothese Alternative H 0 verwerfen, wenn H 0 : σ 2 1 = σ2 2 H 1 : σ 2 1 σ2 2 s 2 x,n s 2 y,m > f N 1,M 1,1 α/2 oder s 2 y,m s 2 x,n > f M 1,N 1,1 α/2
33 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.33 Beispiel: 2 Messgeräte, welches ist genauer? Daten: Wiederholte Messungen einer Normlänge µ 0 = 10 µm x 1,..., x 20 und y 1,..., y 20 X 20 = 10, 1 µm Y 20 = 9, 8 µm s 2 x,20 = 0, 09 µm2 s 2 y,20 = 0, 25 µm2 1. Problem: Beide Geräte richtig justiert? Modell: X 1,..., X 20 u.i.v. N (µ, σ 2 1 ) Hypothese H 0 : µ = µ 0 oder Alternative H 1 : µ µ 0? Ein-Stichproben-t-Test
34 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.34 Niveau α = 0, 05 t 19, 0,975 = 2, 093 Teststatistik T = 20 X20 µ 0 s x,20 = 20 0,1 0,3 = 1, 491 Analog: 20 Y 20 µ 0 s y,20 = 20 0,2 0,5 = 1, Problem: Unterscheiden sich die Messgenauigkeiten? Modell: Alle X i, Y j unabhängig und X 1,..., X 20 Y 1,..., Y 20 unabhängig N (µ 0, σ 2 1 ) N (µ 0, σ 2 2 ) Hypothese H 0 : σ 2 1 = σ2 2 gegen Alternative H 1 : σ 2 1 σ2 2
35 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.35 Hypothese H 0 : σ 2 1 = σ2 2 gegen Alternative H 1 : σ 2 1 σ2 2 F -Test Niveau α = 0, 02 f 19,19,0.99 = 3, 03 Teststatistik s 2 x,20 s 2 y,20 = 0, 09 0, 25 = 0, 360 < 3, 03 und s 2 y,20 s 2 x,20 = 0, 25 0, 09 = 2, 778 < 3, 03 H 0 akzeptieren evtl. weitere Messungen, ob nicht doch σ 2 2 > σ2 1.
36 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.36 Wiederholung Daten x 1,..., x N Frage: 1) Wie groß im Durchschnitt? 2) Wie variabel? 3) Wie wahrscheinlich sind extreme Werte? Modell: Realisation von Stichprobe X 1,..., X N von u.i.v. Zufallsgrößen, z.b. X i N (µ, σ 2 )-verteilt oder X i Exp(λ)-verteilt. 1) Wie groß ist µ bzw. 1 λ? 2) Wie groß ist σ bzw. 1 λ? 3) Wie groß ist p c = Ws(X i > c)?
37 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.37 p c = 1 Ws(X i c) = 1 Φ( c µ σ ) N (µ, σ2 ) e λc Exp(λ) Antwort: Schätzer für unbekannte Größen: 1) X N für µ, 2) s 2 N für σ2 N (µ, σ 2 ) 1) und 2) 3) p c = 1 X N für λ Exp(λ) 1 Φ( c X N s N ) N (µ, σ 2 ) e 1 X N c Exp(λ) Ab jetzt: X 1,..., X N u.i.v. N (µ, σ 2 )
38 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.37 Frage: Wie zuverlässig sind die Schätzwerte? Antwort: Konfidenzintervall für µ bzw. σ 2 für µ: Unterscheide zwischen σ 2 bekannt und σ 2 unbekannt. Wenn σ 2 unbekannt, werden σ und N (0, 1)-Quantile durch s N und t N 1 -Quantile ersetzt. Frage: Ist µ = µ 0, µ > µ 0,...? Entsprechend für σ 2. Antwort: Hypothesentests für Entscheidungen mit kleinen Irrtumswahrscheinlichkeiten. Wähle H 0, H 1 so, dass Fehler 1. Art = H 0 verwerfen und für H 1 entscheiden, obwohl H 0 richtig ist schlimmer ist als Fehler 2. Art = H 0 akzeptieren, obwohl H 1 richtig
39 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.38 Niveau α : Ws H0 (Fehler 1. Art) α Fällt die Entscheidung für H 0, heißt das nur, dass die Daten nicht ausreichen, um H 0 zu verwerfen. H 1 kann trotzdem richtig sein. Nur Werte in H 1, die weit weg von H 0 liegen, sind unwahrscheinlich. Tests für µ: Skript S Tests für σ 2 : Skript S
40 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.39 Vergleich zweier Datensätze Daten x 1,..., x N, y 1,..., y M Frage: 1) Im Durchschnitt verschieden? 2) Unterschiedliche Variabilität? Modell: X 1,..., X N u.i.v. N (µ 1, σ 2 1 ), Y 1,..., Y M u.i.v. N (µ 2, σ 2 2 ). Alle X i, Y j unabhängig. Frage: 1) Ist µ 1 = µ 2, µ 1 > µ 2, µ 1 µ 2,...? Annahme: σ 2 1 = σ2 2 = σ2
41 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.40 Intuition: akzeptiere µ 1 = µ 2, wenn X N Y M Zwei-Stichproben-t-Test, Skript S σ1 2 = σ2 2? F -Test, Skript S Verwandtes, aber verschiedenes Problem: gepaarte Beobachtungen Beispiel: Gewicht vor bzw. nach Diät, N Personen Daten (x 1, y 1 ),..., (x N, y N ) x i, y i hängen voneinander ab, da von derselben Person Nr. i.
42 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.41 Modell: X 1,..., X N u.i.v. N (µ 1, σ 2 1 ), Y 1,..., Y N u.i.v. N (µ 2, σ 2 2 ), aber X i, Y i abhängig für festes i. Zwei-Stichproben-t-Test nicht anwendbar (selbst wenn σ 2 1 = σ) 2 ). wende Ein-Stichproben-t-Test auf Differenzen an: Z i = X i Y i, i = 1,..., N, u.i.v. N (µ, σ 2 ) µ = µ 1 µ 2 Nutzen der Diät: Teste H 0 : µ = 0 (d.h. µ 1 = µ 2 ) gegen H 1 : µ > 0 (Diät führt zur Gewichtsreduzierung)
3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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. 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,...,
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
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
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
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
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
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 +... +
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
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 +... +
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,
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
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 : Binomial, Gauß Prof. Dr. Achim Klenke http://www.aklenke.de 10. Vorlesung: 20.01.2012 1/31 Inhalt 1 Einführung Binomialtest 2/31 Beispiel Einführung Bohnenlieferant liefert
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
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
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
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrStatistik-Notfallkit für Schüler und Lehrer
Statistik-Notfallkit für Schüler und Lehrer Jan Kallsen Christian-Albrechts-Universität zu Kiel 3. Dezember 2018 Zusammenfassung Schließende Statistik ist konzeptionell nicht einfach. Hier sind einige
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
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:
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer 4 Wahrscheinlichkeit und Statistik BSc D-INFK. a (iii b (ii c (iii d (i e (ii f (i g (iii h (iii i (i j (ii. a Die Anzahl der bestellten Weine in einem Monat kann
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:
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
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
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
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
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
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
MehrVarianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
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
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
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
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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
MehrHandelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?
1. Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen? a.) Anzahl der Kunden, die an der Kasse in der Schlange stehen. b.) Die Menge an Energie, die pro Tag von einem Energieversorgungsunternehmen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Januar 2011 1 Der F -Test zum Vergleich zweier Varianzen 2 Beispielhafte Fragestellung Bonferroni-Korrektur
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
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrKlausur zu Statistik II
Goethe-Universität Frankfurt Prof. Dr. Uwe Hassler FB Wirtschaftswissenschaften Sommersemester 2005 Klausur zu Statistik II Version B Bitte tragen Sie hier und auf den Lösungsblättern (oben links) Ihre
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
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
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:
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
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
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
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
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
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:
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
Mehr2 Klassische statistische Verfahren unter Normalverteilungs-Annahme
7 Klassische statistische Verfahren unter Normalverteilungs-Annahme. χ s, t s, F r,s -Verteilung a) N,..., N s uiv N (0, ) Verteilung von Y := N +... + N s heißt Chi-Quadrat-Verteilung mit s Freiheitsgraden
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
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
Mehrt-differenzentest bei verbundener Stichprobe
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche Nächste Anwendung: Vergleich der Mittelwerte zweier normalverteilter Zufallsvariablen Y A und Y B 1 auf derselben Grundgesamtheit durch Beobachtung
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm./HST) FS 2014
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm./HST) FS 2014 Wdh: t-test für eine Stichprobe 1. Modell: X i ist eine kontinuierliche MessgrÄosse; X 1 ; : : : ; X n iid N (¹; ¾ 2 X ); ¾ X wird
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
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
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
Mehr7.2 Mittelwert einer Stichprobe
66 7.2 Mittelwert einer Stichprobe Gegeben ist eine normalverteilte Grundgesamtheit. Mit Hilfe einer Stichprobe möchten wir Aussagen über den unbekannten Mittelwert µ dieser Grundgesamtheit machen. Wenn
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrNachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester Oktober 2011
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester 2011 28. Oktober 2011 Prof. Dr. Torsten Hothorn Institut für Statistik Nachname: Vorname: Matrikelnummer: Anmerkungen: ˆ Schreiben
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Das Testen von Hypothesen Während die deskriptive Statistik die Stichproben nur mit Hilfe quantitativer Angaben charakterisiert,
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
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
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrInduktive Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Induktive Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
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
Mehr