Eine Frau hat Blutgruppe 0 (Genotyp 00), ihre Tochter Blutgruppe A

Werbung
W. Timischl: Angewandte Statistik
EINSTICHPROBENVERGLEICHE
1
1. In einer Studie wurde u.a. das Ges. Eiweiß i.S. am Beginn und am Ende bestimmt. Bei 31
Probanden war eine Veränderung zu beobachten: bei 20 Probanden lag der Eiweißwert vorher im
Normbereich und nachher außerhalb des Normbereichs lag, bei 11 Probanden lag der Eiweißwert
vorher außerhalb und nachher im Normbereich.
a) Weicht der Anteil y der Probanden, bei denen der Eiweißwert vorher außerhalb und nachher
innerhalb des Normbereichs liegt, signifikant von 0,5 ab? Als Signifikanzniveau sei  = 5%
vereinbart.
b) Ist der Versuch so geplant, dass die beobachtete Abweichung |y-0,5| mit 90%iger Sicherheit
mit dem Test als signifikant zu erkennen wäre?
Lösung mit EXCEL:
a) Prüfung auf signifikante Abweichung
Daten:
n=
30 Anzahl der Probanden
m=
11 Anzahl der Probanden mit "vorher außerhalb" und "nachher im"
y=m/n=
0,367 Anteil der Probanden mit "vorher außerhalb" und "nachher im"
Hypothesen:
p = Wahrscheinlichkeit einer Veränderung von "vorher außerhalb" nach "nachher im"
H0: p = p0
H1: p <> p0
p0 =
0,5
alpha =
5%
Prüfung der Voraussetzungen für Normalverteilungsapproximation:
n > 20
np0 =
15,0 >= 10
<= n-10
Testgröße:
Entscheidung:
TGs=
-1,461
|TGs| =
1,461
<=
H0 kann nicht abgelehnt werden!
b) Mindesstichprobenumfang
Delta=
0,133
alpha=
5%
Power=
90%
z(1-alpha/2)=
z(Power)=
n_mindest=
1,960 = z(1-alpha/2)
1,960
1,282
147,76
n nicht ausreichend groß geplant!
2,4
Lösung mit R:
a) Prüfung auf Abweichung
> n <- 30 # Anzahl der Probanden
> m <- 11 # Anzahl der Probanden mit Änderung von „vorher außerhalb“ in „nachher im“
> y <- m/n # Anteil der Probanden mit Änderung von „vorher außerhalb“ in „nachher im“
> p0 <- 0.5 # Sollwert
> alpha <- 0.05 # Testniveau
>
> # Variante 1: Normalverteilungsapproximation (n < 20, 10 <= np0 <= n-10)
> se <- sqrt(p0*(1-p0)/n) # Standardfehler der rel. Häufigkeit
> tgs <- (y-p0)/se # Testgröße
> z_vergleich <- qnorm(1-alpha/2, mean=0, sd=1) # (1-alpha/2)-Quantil der N(0,1)-Verteilung
> print(cbind(tgs, z_vergleich))
68635360
15.05.2016
W. Timischl: Angewandte Statistik
EINSTICHPROBENVERGLEICHE
2
tgs z_vergleich
[1,] -1.460593 1.959964
# Entscheidung: |TGs| <= z(1-alpha/2)  H0 kann nicht abgelehnt werden!
> # Alternative zur Entscheidung mit Quantil: Berechnung des p-values
> p_value <- 2*pnorm(tgs, mean=0, sd=1)
> print(p_value)
[1] 0.1441270
> # Entscheidung: p_value >= alpha  H0 kann nicht abgelehnt werden!
>
> # Variante 2: Berechnung mit der R-Funktion prop.test (ohne Kontinuitätskorrektur)
>
> prop.test(m, n, p=p0, alternative="two.sided", correct=FALSE)
1-sample proportions test without continuity correction
data: m out of n, null probability p0
X-squared = 2.1333, df = 1, p-value = 0.1441
alternative hypothesis: true p is not equal to 0.5
95 percent confidence interval:
0.2187392 0.5448644
sample estimates:
p
0.3666667
> # Variante 3: Berechnung mit der R-Funktion binom.test (exakter Test)
> binom.test(m, n, p=p0, alternative="two.sided", conf.level=0.95)
Exact binomial test
data: m and n
number of successes = 11, number of trials = 30, p-value = 0.2005
alternative hypothesis: true probability of success is not equal to 0.5
95 percent confidence interval:
0.1992986 0.5614402
sample estimates:
probability of success
0.3666667
b) Mindest-n
> # Grobe Approximation
> delta <- abs(y-p0)
> power <- 0.9
> z1 <- qnorm(1-alpha/2, mean=0, sd=1)
> z2 <- qnorm(power, mean=0, sd=1)
> n_mindest <- 1/4/delta^2*(z1+z2)^2
> n_mindest
[1] 147.7606
> # Erforderliches Mindest-n: n = 148!
2. Die Messung der Ozonkonzentration während der Sommermonate ergab für eine Großstadt die in
der folgenden Tabelle enthaltenen Werte (Angaben in 10-2 ppm).
a) Liegt die mittlere Ozonkonzentration signifikant über dem Wert o =5? ( = 5%)
b) Welcher Mindeststichprobenumfang müsste geplant werden, um mit dem Test eine
Überschreitung von o um 10% mit einer Sicherheit von 90% erkennen zu können? ( = 5%)
2,5
3,0
5,6
4,7
6,5
68635360
6,7
1,7
5,3
4,6
7,4
5,4
4,1
5,1
5,6
5,4
6,1
7,6
6,2
6,0
5,5
5,8
8,2
3,1
5,8
2,6
15.05.2016
W. Timischl: Angewandte Statistik
EINSTICHPROBENVERGLEICHE
3
Lösung mit EXCEL:
Modell:
X = Ozonkonzentration ist normalverteilt mit Mittwelrt  und Standardabweichung 
Daten:
Kennwerte:
2,5
3
5,6
4,7
6,5
6,7
1,7
5,3
4,6
7,4
n=
Mittelwert=
STD=
25
5,22
1,6404
Hypothesen: H0: 
H1: 

alpha =
5
5%
Testgröße:
TGs=
0,671
Entscheidung: TGs =
0,671
H0 kann nicht abgelehnt werden!
Alternative: Berechnung des P-Werts
p_value=
0,254446
H0 kann nicht abgelehnt werden!
b) Mindesstichprobenumfang
Delta=
0,500
alpha=
5%
Power=
90%
5,4
4,1
5,1
5,6
5,4
6,1
7,6
6,2
6
5,5
<=
>=
5,8
8,2
3,1
5,8
2,6
1,711 = t(n-1, 1-alpha)
alpha
z(1-alpha)=
z(Power)=
1,645
1,282
n_mindest=
92,18
n nicht ausreichend groß geplant!
Lösung mit R:
> ozon <- c(2.5, 3.0, 5.6, 4.7, 6.5, 6.7, 1.7, 5.3, 4.6, 7.4,
+
5.4, 4.1, 5.1, 5.6, 5.4, 6.1, 7.6, 6.2, 6.0, 5.5,
+
5.8, 8.2, 3.1, 5.8, 2.6)
> n <- length(ozon) # Stichprobenumfang
> mw <- mean(ozon) # Stichprobenmittelwert
> std <- sd(ozon) # Stichproben-STD
> print(cbind(n, mw, std))
n mw
std
[1,] 25 5.22 1.640376
> alpha <- 0.05 # Testniveau
> m0 <- 5 # Sollwert
>
> Variante 1: direkte Berechnung der Testgröße
> se <- std/sqrt(n) # Standardfehler des Stichprobenmittels
> tgs <- (mw - m0)/se # Testgröße
> t_vergleich <- qt(1-alpha, n-1) # (1-alpha)-Quantil der t(n-1)-Verteilung
> print(cbind(tgs, t_vergleich))
68635360
15.05.2016
W. Timischl: Angewandte Statistik
EINSTICHPROBENVERGLEICHE
4
tgs t_vergleich
[1,] 0.670578 1.710882
> # Entscheidung: TGs <= t(n-1, 1-alpha)  H0 kann nicht abgelehnt werden!
> # Alternative zur Entscheidung mit Quantil: Berechnung des p-values
> p_value <- 1 - pt(tgs, n-1)
> p_value
[1] 0.2544458
> # Entscheidung: p_value >= alpha  H0 kann nicht abgelehnt werden!
>
> # Variante 2: Berechnung mit der R-Funktion t.test
> t.test(ozon, alternative="greater", mu=m0, conf.level=0.95)
One Sample t-test
data: ozon
t = 0.6706, df = 24, p-value = 0.2544
alternative hypothesis: true mean is greater than 5
95 percent confidence interval:
4.658702
Inf
sample estimates:
mean of x
5.22
b) Mindest-n
> delta <- 0.1*m0
> alpha <- 0.05
> power <- 0.9
>
> # Alternative 1: Grobe Approximation
> z_1 <- qnorm(1-alpha)
> z_2 <- qnorm(power)
> n_mindest <- (std/delta)^2*(z_1 + z_2)^2
> print(n_mindest)
[1] 92.17554
> # Erforderliches Mindest-n: n = 93!
>
> # Alternative 2: Berechnung mit R-Funktion power.t.test
> power.t.test(n = NULL, delta = delta, sd = std, sig.level = 0.05,
+
power = 0.9, type = "one.sample",
+
alternative = "one.sided")
One-sample t test power calculation
n = 93.54509
delta = 0.5
sd = 1.640376
sig.level = 0.05
power = 0.9
alternative = one.sided
> # Erforderliches Mindest-n: n = 94!
68635360
15.05.2016
Herunterladen