Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
|
|
- Gerd Kurzmann
- vor 7 Jahren
- Abrufe
Transkript
1 Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Martin Hutzenthaler & Dirk Metzler April 2010
2 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
3 Inhalt Eine kurze Wiederholung zur deskriptiven Statistik 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
4 Inhalt Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
5 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Bachstelzen fressen Dungfliegen Ra uber Beute Bachstelze (White Wagtail) Motacilla alba alba Gelbe Dungfliege Scatophaga stercoraria image (c) by Artur Mikołajewski image (c) by Viatour Luc
6 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung available dung flies number length [mm]
7 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung available dung flies number mean= length [mm]
8 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung available dung flies number mean= 7.99 sd= length [mm]
9 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung captured dung flies number length [mm]
10 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung captured dung flies number mean= length [mm]
11 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung captured dung flies number mean= 6.79 sd= length [mm]
12 Eine kurze Wiederholung zur deskriptiven Statistik Beobachtung Mittelwert und Standardabweichung In der Biologie sind viele Datenverteilungen annähernd glockenförmig und können durch den Mittelwert und die Standardabweichung angemessen beschrieben werden.
13 Eine kurze Wiederholung zur deskriptiven Statistik Beobachtung Mittelwert und Standardabweichung In der Biologie sind viele Datenverteilungen annähernd glockenförmig und können durch den Mittelwert und die Standardabweichung angemessen beschrieben werden. Es gibt aber auch Ausnahmen.
14 Inhalt Eine kurze Wiederholung zur deskriptiven Statistik Ein Beispiel zur Warnung 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
15 Eine kurze Wiederholung zur deskriptiven Statistik Ein Beispiel zur Warnung Kupfertolerantes Rotes Straußgras Rotes Straußgras Agrostis tenuis image (c) Kristian Peters Kupfer Cuprum Hendrick met de Bles
16 Eine kurze Wiederholung zur deskriptiven Statistik Ein Beispiel zur Warnung Browntop Bent (n=50) density per cm m s m m+s meadow plants root length (cm)
17 Eine kurze Wiederholung zur deskriptiven Statistik Ein Beispiel zur Warnung Browntop Bent (n=50) density per cm m s m m+s meadow plants root length (cm) In etwa 2/3 der Wurzellängen innerhalb [m-sd,m+sd]????
18 Eine kurze Wiederholung zur deskriptiven Statistik Ein Beispiel zur Warnung Browntop Bent (n=50) density per cm m s m m+s meadow plants root length (cm) In etwa 2/3 der Wurzellängen innerhalb [m-sd,m+sd]???? Nein! Deutlich mehr.
19 Eine kurze Wiederholung zur deskriptiven Statistik Ein Beispiel zur Warnung Manche Verteilungen können nur mit mehr als zwei Variablen angemessen beschrieben werden.
20 Eine kurze Wiederholung zur deskriptiven Statistik Ein Beispiel zur Warnung Manche Verteilungen können nur mit mehr als zwei Variablen angemessen beschrieben werden. z.b. mit den fünf Werten der Boxplots: min, Q 1, median, Q 3, max
21 Eine kurze Wiederholung zur deskriptiven Statistik Ein Beispiel zur Warnung Browntop Bent n=50+50 copper mine plants meadow plants root length (cm)
22 Eine kurze Wiederholung zur deskriptiven Statistik Schlussfolgerung Ein Beispiel zur Warnung In der Biologie sind viele Datenverteilungen annähernd glockenförmig und können durch den Mittelwert und die Standardabweichung angemessen beschrieben werden.
23 Eine kurze Wiederholung zur deskriptiven Statistik Schlussfolgerung Ein Beispiel zur Warnung In der Biologie sind viele Datenverteilungen annähernd glockenförmig und können durch den Mittelwert und die Standardabweichung angemessen beschrieben werden. Es gibt aber auch Ausnahmen. Also: Immer die Daten erst mal graphisch untersuchen!
24 Eine kurze Wiederholung zur deskriptiven Statistik Schlussfolgerung Ein Beispiel zur Warnung In der Biologie sind viele Datenverteilungen annähernd glockenförmig und können durch den Mittelwert und die Standardabweichung angemessen beschrieben werden. Es gibt aber auch Ausnahmen. Also: Immer die Daten erst mal graphisch untersuchen! Verlassen sie sich niemals allein auf numerische Kenngrößen!
25 Inhalt Der Standardfehler 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
26 Inhalt Der Standardfehler Ein allgemeiner Rahmen 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
27 Ein allgemeiner Rahmen Population (sämtliche Transpirationsraten) n=oo
28 Ein allgemeiner Rahmen Population (sämtliche Transpirationsraten) n=oo Stichprobe n=14
29 Ein allgemeiner Rahmen Population (sämtliche Transpirationsraten) µ Stichprobe x
30 Ein allgemeiner Rahmen Wir schätzen den Populationsmittelwert µ durch den Stichprobenmittelwert x.
31 Ein allgemeiner Rahmen Jede neue Stichprobe liefert einen neuen Wert von x.
32 Ein allgemeiner Rahmen Jede neue Stichprobe liefert einen neuen Wert von x. x hängt vom Zufall ab: eine Zufallsgröße
33 Ein allgemeiner Rahmen Jede neue Stichprobe liefert einen neuen Wert von x. x hängt vom Zufall ab: eine Zufallsgröße FRAGE: Wie variabel ist x?
34 Ein allgemeiner Rahmen Jede neue Stichprobe liefert einen neuen Wert von x. x hängt vom Zufall ab: eine Zufallsgröße FRAGE: Wie variabel ist x? Genauer: Wie weit weicht x typischerweise von µ ab?
35 Ein allgemeiner Rahmen Hypothethische Transpirationsratenverteilung Dichte Population Transpiration (ml/(tag*cm^2))
36 Ein allgemeiner Rahmen Hypothethische Transpirationsratenverteilung Dichte Population Transpiration (ml/(tag*cm^2)) Stichprobenmittel (n=16)
37 Die allgemeine Regel Ein allgemeiner Rahmen Die Standardabweichung des Mittelwerts einer Stichprobe vom Umfang n
38 Die allgemeine Regel Ein allgemeiner Rahmen Die Standardabweichung des Mittelwerts einer Stichprobe vom Umfang n ist 1/ n mal der Standardabweichung der Population.
39 Ein allgemeiner Rahmen Die Standardabweichung der Population bezeichnet man mit σ (sigma).
40 Ein allgemeiner Rahmen Die Standardabweichung der Population bezeichnet man mit σ (sigma). Die Regel schreibt man häufig so: σ(x) = 1 n σ(x)
41 Ein allgemeiner Rahmen In der Praxis ist σ unbekannt.
42 Ein allgemeiner Rahmen In der Praxis ist σ unbekannt. Es wird durch die Stichproben-Standardabweichung s geschätzt:
43 Ein allgemeiner Rahmen In der Praxis ist σ unbekannt. Es wird durch die Stichproben-Standardabweichung s geschätzt: σ =??
44 Ein allgemeiner Rahmen In der Praxis ist σ unbekannt. Es wird durch die Stichproben-Standardabweichung s geschätzt: σ s
45 Ein allgemeiner Rahmen Die geschätzte Standardabweichung von x s/ n nennt man den Standardfehler.
46 Ein allgemeiner Rahmen Die geschätzte Standardabweichung von x s/ n nennt man den Standardfehler. (Englisch: standard error of the mean, standard error, SEM)
47 Inhalt Der Standardfehler Zur Verteilung von x 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
48 Zur Verteilung von x Wir haben gesehen: Auch wenn die Verteilung von x mehrgipfelig & asymmetrisch ist
49 Zur Verteilung von x Hypothethische Transpirationsratenverteilung Dichte Population Transpiration (ml/(tag*cm^2))
50 Zur Verteilung von x ist die Verteilung von x trotzdem (annähernd) eingipfelig & symmetrisch (wenn der Stichprobenumfang n nur groß genug ist)
51 Zur Verteilung von x Hypothethische Transpirationsratenverteilung Dichte Population Transpiration (ml/(tag*cm^2)) Stichprobenmittel (n=16)
52 Zur Verteilung von x Die Verteilung von x hat annähernd eine ganz bestimmte Form: die Normalverteilung.
53 Zur Verteilung von x Dichte der Normalverteilung Normaldichte µ σ µ µ + σ
54 Zur Verteilung von x Dichte der Normalverteilung Normaldichte µ σ µ µ + σ Die Normalverteilungsdichte heisst auch Gauß sche Glockenkurve
55 Zur Verteilung von x Dichte der Normalverteilung Die Normalverteilungsdichte heisst auch Gauß sche Glockenkurve (nach Carl Friedrich Gauß, )
56 Wichtige Folgerung Zur Verteilung von x Wir betrachten das Intervall x s/ n x + s/ n x
57 Wichtige Folgerung Zur Verteilung von x Mit Wahrscheinlichkeit ca. 2/3 liegt µ innerhalb dieses Intervalls x s/ n x + s/ n x
58 Wichtige Folgerung Zur Verteilung von x Mit Wahrscheinlichkeit ca. 2/3 liegt µ innerhalb dieses Intervalls x s/ n x + s/ n x Mit Wahrscheinlichkeit ca. 1/3 liegt µ ausserhalb des Intervalls
59 Zur Verteilung von x Demnach: Es kommt durchaus vor, dass x von µ um mehr als s/ n abweicht.
60 Inhalt Der Standardfehler Anwendungen 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
61 Anwendungen ANWENDUNG 1: Welche Werte von µ sind plausibel?
62 Anwendungen ANWENDUNG 1: Welche Werte von µ sind plausibel? x = 0,12 s/ n = 0,007
63 Anwendungen ANWENDUNG 1: Welche Werte von µ sind plausibel? x = 0,12 s/ n = 0,007 Frage: Könnte es sein, dass µ = 0,115?
64 Anwendungen Antwort: Es ist gut möglich.
65 Anwendungen Antwort: Es ist gut möglich. Abweichung x µ = 0,120 0,115 = 0,005.
66 Anwendungen Antwort: Es ist gut möglich. Abweichung x µ = 0,120 0,115 = 0,005. Standardfehler s/ n = 0,007
67 Anwendungen Antwort: Es ist gut möglich. Abweichung x µ = 0,120 0,115 = 0,005. Standardfehler s/ n = 0,007 Abweichungen dieser Größe kommen häufig vor.
68 Anwendungen Antwort: Es ist gut möglich. Abweichung x µ = 0,120 0,115 = 0,005. Standardfehler s/ n = 0,007 Abweichungen dieser Größe kommen häufig vor. (Die Frage, welche Abweichungen nicht mehr plausibel sind, untersuchen wir später.)
69 Anwendungen ANWENDUNG 2: Vergleich von Mittelwerten
70 Anwendungen ANWENDUNG 2: Vergleich von Mittelwerten Beispiel: Springkrebs Galathea squamifera image (c) by Matthias Buschmann
71 Anwendungen Vergleich der Carapaxlänge: (c): public domain
72 Anwendungen Galathea: Carapaxlänge in einer Stichprobe Männchen: x 1 = 3,04 mm s 1 = 0,9 mm n 1 = 25 Weibchen: x 2 = 3,23 mm s 2 = 0,9 mm n 2 = 29
73 Anwendungen Die Weibchen scheinen größer zu sein.
74 Anwendungen Die Weibchen scheinen größer zu sein. Ist das ernst zu nehmen?
75 Anwendungen Die Weibchen scheinen größer zu sein. Ist das ernst zu nehmen? Oder könnte es nur Zufall sein?
76 Anwendungen Wie genau sind die beiden Mittelwerte?
77 Anwendungen Wie genau sind die beiden Mittelwerte? Männchen: x 1 = 3,04 mm s 1 = 0,9 mm n 1 = 25 s 1 / n 1 = 0,18 [mm]
78 Anwendungen Wie genau sind die beiden Mittelwerte? Männchen: x 1 = 3,04 mm s 1 = 0,9 mm n 1 = 25 s 1 / n 1 = 0,18 [mm] Mit Schwankungen von ±0,18 (mm) in x 1 müssen wir rechnen.
79 Anwendungen Wie genau sind die beiden Mittelwerte?
80 Anwendungen Wie genau sind die beiden Mittelwerte? Weibchen: x 2 = 3,23 mm s 2 = 0,9 mm n 2 = 29 s 2 / n 2 = 0,17 [mm]
81 Anwendungen Wie genau sind die beiden Mittelwerte? Weibchen: x 2 = 3,23 mm s 2 = 0,9 mm n 2 = 29 s 2 / n 2 = 0,17 [mm] Es ist nicht unwahrscheinlich, dass x 2 um mehr als ±0,17 (mm) vom wahren Mittelwert abweicht.
82 Anwendungen Die Differenz der Mittelwerte 3,23 3,04 = 0,19 [mm]
83 Anwendungen Die Differenz der Mittelwerte 3,23 3,04 = 0,19 [mm] ist kaum größer als die zu erwartenden Schwankungen.
84 Anwendungen Die Differenz der Mittelwerte 3,23 3,04 = 0,19 [mm] ist kaum größer als die zu erwartenden Schwankungen. Es könnte also einfach Zufall sein, dass x 2 > x 1
85 Anwendungen GENAUER FORMULIERT: Wenn in Wirklichkeit die Populationsmittelwerte gleich sind, µ Weibchen = µ Männchen
86 Anwendungen GENAUER FORMULIERT: Wenn in Wirklichkeit die Populationsmittelwerte gleich sind, µ Weibchen = µ Männchen kann es trotzdem leicht passieren, dass die Stichprobenmittelwerte x 2 und x 1 so weit auseinander liegen.
87 Anwendungen Der Statistiker sagt: Die Differenz der Mittelwerte ist (statistisch) nicht signifikant.
88 Anwendungen nicht signifikant = könnte Zufall sein
89 Anwendungen ANWENDUNG 3: Wenn man Mittelwerte graphisch darstellt, sollte man auch ihre Genauigkeit (±s/ n) anzeigen.
90 Anwendungen Also nicht so: Carapaxlängen: Mittelwerte nach Geschlecht Carapaxlänge [mm] Männchen Weibchen
91 Anwendungen sondern so: Carapaxlängen: Mittelwerte ± Standardfehler nach Geschlecht Carapaxlänge [mm] Männchen Weibchen
92 Anwendungen ANWENDUNG 4: Bei der Versuchsplanung:
93 Anwendungen ANWENDUNG 4: Bei der Versuchsplanung: Wieviele Beobachtungen brauche ich? (Wie groß sollte die Stichprobenlänge n sein?)
94 Anwendungen Wenn man weiß, welche Genauigkeit (Standardfehler s/ n) für x man erreichen will,
95 Anwendungen Wenn man weiß, welche Genauigkeit (Standardfehler s/ n) für x man erreichen will, und wenn man (aus Erfahrung oder aus einem Vorversuch) s ungefähr kennt,
96 Anwendungen Wenn man weiß, welche Genauigkeit (Standardfehler s/ n) für x man erreichen will, und wenn man (aus Erfahrung oder aus einem Vorversuch) s ungefähr kennt, dann kann man das notwendige n ungefähr abschätzen: s/ n = g (g = gewünschter Standardfehler)
97 Anwendungen Beispiel: Gestresste Transpirationswerte bei einer anderen Hirse-Sorte: x = 0,18 s = 0,06 n = 13
98 Anwendungen Beispiel: Gestresste Transpirationswerte bei einer anderen Hirse-Sorte: x = 0,18 s = 0,06 n = 13 Nehmen wir an, der Versuch soll wiederholt werden und man will Standardfehler 0,01 erreichen.
99 Anwendungen Beispiel: Gestresste Transpirationswerte bei einer anderen Hirse-Sorte: x = 0,18 s = 0,06 n = 13 Nehmen wir an, der Versuch soll wiederholt werden und man will Standardfehler 0,01 erreichen. Wie groß sollte n sein?
100 Anwendungen Lösung: gewünscht: s/ n 0,01
101 Anwendungen Lösung: gewünscht: s/ n 0,01 aus dem Vorversuch wissen wir: s 0,06,
102 Anwendungen Lösung: gewünscht: s/ n 0,01 aus dem Vorversuch wissen wir: s 0,06, n 0,06 0,01 = 6
103 Anwendungen Lösung: gewünscht: s/ n 0,01 aus dem Vorversuch wissen wir: s 0,06, n 0,06 0,01 = 6 n 36
104 Inhalt Der Standardfehler Zusammenfassung 1 Eine kurze Wiederholung zur deskriptiven Statistik Mittelwert und Standardabweichung Ein Beispiel zur Warnung 2 Der Standardfehler Ein allgemeiner Rahmen Zur Verteilung von x Anwendungen Zusammenfassung
105 Zusammenfassung ZUSAMMENFASSUNG Nehmen wir an, eine Population hat Mittelwert µ und Standardabweichung σ.
106 Zusammenfassung ZUSAMMENFASSUNG Nehmen wir an, eine Population hat Mittelwert µ und Standardabweichung σ. Aus dieser Population ziehen wir eine Zufallsstichprobe vom Umfang n, mit Stichprobenmittelwert x.
107 Zusammenfassung ZUSAMMENFASSUNG Nehmen wir an, eine Population hat Mittelwert µ und Standardabweichung σ. Aus dieser Population ziehen wir eine Zufallsstichprobe vom Umfang n, mit Stichprobenmittelwert x. x ist eine Zufallsgröße
108 Zusammenfassung ZUSAMMENFASSUNG Nehmen wir an, eine Population hat Mittelwert µ und Standardabweichung σ. Aus dieser Population ziehen wir eine Zufallsstichprobe vom Umfang n, mit Stichprobenmittelwert x. x ist eine Zufallsgröße mit Mittelwert µ und Standardabweichung σ/ n.
109 Zusammenfassung ZUSAMMENFASSUNG Nehmen wir an, eine Population hat Mittelwert µ und Standardabweichung σ. Aus dieser Population ziehen wir eine Zufallsstichprobe vom Umfang n, mit Stichprobenmittelwert x. x ist eine Zufallsgröße mit Mittelwert µ und Standardabweichung σ/ n. Man schätzt die Standardabweichung von x mit s/ n.
110 Zusammenfassung ZUSAMMENFASSUNG Nehmen wir an, eine Population hat Mittelwert µ und Standardabweichung σ. Aus dieser Population ziehen wir eine Zufallsstichprobe vom Umfang n, mit Stichprobenmittelwert x. x ist eine Zufallsgröße mit Mittelwert µ und Standardabweichung σ/ n. Man schätzt die Standardabweichung von x mit s/ n. s/ n nennt man den Standardfehler.
111 Zusammenfassung ZUSAMMENFASSUNG Nehmen wir an, eine Population hat Mittelwert µ und Standardabweichung σ. Aus dieser Population ziehen wir eine Zufallsstichprobe vom Umfang n, mit Stichprobenmittelwert x. x ist eine Zufallsgröße mit Mittelwert µ und Standardabweichung σ/ n. Man schätzt die Standardabweichung von x mit s/ n. s/ n nennt man den Standardfehler. Schwankungen in x von der Größe s/ n kommen häufig vor.
112 Zusammenfassung ZUSAMMENFASSUNG Nehmen wir an, eine Population hat Mittelwert µ und Standardabweichung σ. Aus dieser Population ziehen wir eine Zufallsstichprobe vom Umfang n, mit Stichprobenmittelwert x. x ist eine Zufallsgröße mit Mittelwert µ und Standardabweichung σ/ n. Man schätzt die Standardabweichung von x mit s/ n. s/ n nennt man den Standardfehler. Schwankungen in x von der Größe s/ n kommen häufig vor. Solche Schwankungen sind nicht signifikant : sie könnten Zufall sein.
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Noémie Becker & Dirk Metzler 15. April 2016 Inhaltsverzeichnis 1 Der Standardfehler 1 1.1 Ein Versuch............................................
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen Der Standardfehler Matthias Birkner & Dirk Metzler 28 April 2009 1 Inhaltsverzeichnis 1 Ein 11 12 13 14 kurze Wiederholung zur deskriptiven Statistik
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Einführung: Deskriptive Statistik
Wahrscheinlichkeitsrechnung und Statistik für Biologen Einführung: Deskriptive Statistik Martin Hutzenthaler & Dirk Metzler 17. April 2012 Inhaltsverzeichnis 1 Einführung 1 1.1 Konzept und Quellen.........................................
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Biologie Einführung: Deskriptive Statistik
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Biologie Einführung: Deskriptive Statistik Noémie Becker & Dirk Metzler 17. April 2013 Inhaltsverzeichnis 1 Einführung 1 1.1 Konzept und Quellen.........................................
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
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
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrStatistik Einführung // Stichprobenverteilung 6 p.2/26
Statistik Einführung Kapitel 6 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // 6 p.0/26 Lernziele 1. Beschreiben
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
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
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
MehrDatenstrukturen. Querschnitt. Grösche: Empirische Wirtschaftsforschung
Datenstrukturen Datenstrukturen Querschnitt Panel Zeitreihe 2 Querschnittsdaten Stichprobe von enthält mehreren Individuen (Personen, Haushalte, Firmen, Länder, etc.) einmalig beobachtet zu einem Zeitpunkt
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-31 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrTeil II. Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten. StatSoz 127
Teil II Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten StatSoz 127 6 Zufallsstichprobe und Parameter 6.1 Parameter einer Grundgesamtheit 6.2 Zufallsstichprobe und Bias 6.3 Stichprobenfehler
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Martin Hutzenthaler & Dirk Metzler Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung bei Trauerschnäppern..........................
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Martin Hutzenthaler & Dirk Metzler 6./18. Mai 2010 Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert nämlich
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
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
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
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
MehrWahrscheinlichkeit und die Normalverteilung. Jonathan Harrington
Wahrscheinlichkeit und die Normalverteilung Jonathan Harrington Der Populations-Mittelwert 100 Stück Papier nummeriert 0, 1, 2, 99 Ich ziehe 10 davon und berechne den Mittelwert. Was ist der Mittelwert
MehrWiederholung. Statistik I. Sommersemester 2009
Statistik I Sommersemester 2009 Statistik I (1/21) Daten/graphische Darstellungen Lage- und Streuungsmaße Zusammenhangsmaße Lineare Regression Wahrscheinlichkeitsrechnung Zentraler Grenzwertsatz Konfidenzintervalle
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
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
MehrÜbung zur Vorlesung: Geostatistik 1 Philipp, Mo. 15: Türcode: 1516
Übung zur Vorlesung: Geostatistik 1 Philipp, Mo. 15:45 3067 Türcode: 1516 Deskriptive Statistik Maße der Zentraltendenz Deskriptive Statistik Maße der Zentraltendenz arithmetischer Mittewert klassenorientierter
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrWahrscheinlichkeit und die Normalverteilung. Jonathan Harrington
Wahrscheinlichkeit und die Normalverteilung Jonathan Harrington Der Bevölkerungs-Mittelwert 99 Stück Papier nummeriert 0, 1, 2, 99 Ich ziehe 10 davon und berechne den Mittelwert. Was ist der Mittelwert
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
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
Mehr8 Stichprobenkennwerteverteilung
8 Stichprobenkennwerteverteilung 8.1 Vorbemerkungen 8.2 Die Normalverteilung: Teil 2 8.3 Die t Verteilung 8.4 Normalverteilungs Approximation: Der zentrale Grenzwertsatz 8.1 Vorbemerkungen Daten x 1,...,
MehrTeil VII. Deskriptive Statistik. Woche 5: Deskriptive Statistik. Arbeitsschritte der Datenanalyse. Lernziele
Woche 5: Deskriptive Statistik Teil VII Patric Müller Deskriptive Statistik ETHZ WBL 17/19, 22.05.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrBeschreibende Statistik und der Übergang zur beurteilenden Statistik
Beschreibende Statistik und der Übergang zur beurteilenden Statistik Guido Herweyers KHBO Campus Oostende K.U.Leuven 1. Vorwort Der Einsatz des Voyage 200 erleichert die Verarbeitung von Daten und erlaubt
MehrSigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
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
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrBeschreibende Statistik Deskriptive Statistik. Schließende Statistik Inferenzstatistik. Schluss von der Stichprobe auf die Grundgesamtheit
Beschreibende Statistik Deskriptive Statistik Schließende Statistik Inferenzstatistik Beschreibung der Stichprobe Schluss von der Stichprobe auf die Grundgesamtheit Keine Voraussetzungen Voraussetzung:
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
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
MehrZentraler Grenzwertsatz/Konfidenzintervalle
/ Statistik I Sommersemester 2009 Statistik I ZGWS/ (1/37) Kann Ahmadinejad die Wahl gewonnen haben? Im wesentlichen Dreiteilung der polit. Elite 2005: 17.3 Millionen Stimmen (Stichwahl), Wahlbeteiligung
MehrNachtrag zu Mittelwerten und Maßen der Dispersion
dur [ms] 40 60 80 100 120 140 160 Modul G.1 WS 06/07: Statistik 15.11.2006 1 Nachtrag zu Mittelwerten und Maßen der Dispersion Consonant duration Darstellungsmethode Boxplot Strich innerhalb der Boxen:
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStichwortverzeichnis. Ausgleichsgerade 177 Ausreißer 13, 40
283 Stichwortverzeichnis a Alpha-Wert 76, 91 Alter 256 Alternativhypothese 68, 70 ANOVA siehe einfache Varianzanalyse, zweifache Varianzanalyse Anpassung 178 Anpassungstest siehe Chi-Quadrat-Anpassungstest
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
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
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
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 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 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
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehr4L Die Normalverteilung
L. Normalverteilung L Die Normalverteilung Zufallsverteilungen lassen sich in der Natur gut beobachten, denn die Natur setzt bei ihrer Fortpflanzungsstrategie auf den totalen Überfluss. So ergab zum Beispiel
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
MehrPROC MEANS. zum Berechnen statistischer Maßzahlen (für quantitative Merkmale)
PROC MEAS zum Berechnen statistischer Maßzahlen (für quantitative Merkmale) Allgemeine Form: PROC MEAS DATA=name Optionen ; VAR variablenliste ; CLASS vergleichsvariable ; Beispiel und Beschreibung der
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
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
Mehr= 3. Kapitel 4: Normalverteilung.. und Standardnormalverteilung und: das Konfidenzintervall..
Kapitel : Normalverteilung.. und Standardnormalverteilung und: das Konfidenzintervall.. Mittelwert = Summe aller Einzelwerte / n = durchschnittliche Ausprägung, wenn alle gleich viel hätten. Streuung =
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
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 +... +
Mehr