Folien_Sitzung2

Werbung
Winter 16/17
David Kurbel
Evaluation &
Forschungsstrategien
B.Sc.-Seminar
Sitzung II: Konfidenzintervalle /
Überprüfung der Nullhypothese
Seminarinhalte Sitzung II: 09.11.2016
Winter 16/17
David Kurbel
I
Konfidenzintervall des arithmetischen Mittels bei bekannter Varianz
II
Zentrales Grenzwerttheorem
III
Konfidenzintervall des arithmetischen Mittels / unbekannte Varianz
IV
Optimierung des Stichprobenumfangs
V
t-Test für unabhängige Stichproben
Logik von Konfidenzintervallen
I
ο‚§ Schätzung des Populationsmittelwertes µ durch Stichprobenmittelwert 𝑋
ο‚§ µ ≠ 𝑋 , da zufällig gezogene Stichprobe
II
ο‚§ Aussagen über zugrundeliegende Population?
III
Wie genau schätzt 𝑋 den Parameter µ?
IV
ο‚§ Ermittlung von „Grenzen“
ο‚§ darin: wahrer Populationsparameter
V
Winter 16/17
David Kurbel
ο‚§ Konfidenzintervall
Logik von Konfidenzintervallen
I
Winter 16/17
David Kurbel
ο‚§ dazugehörige Schätzungen: Intervallschätzungen
ο‚§ Konfidenzkoeffizienten (z.B. bei 95% oder 99% festgelegt)
II
III
ο‚§ Intervallschätzung
ο‚§ unbekannter Populationsparameter auf Basis der Stichprobenergebnisse schätzen
ο‚§ konstruierter Wertebereich
ο‚§ 1 – α = 95% bzw. 1 – α = 99% aller möglichen Populationsparameter
IV
ο‚§ Konfidenzkoeffizient 1 – α komplementär zum Signifikanzniveau α
V
ο‚§ CI des arithmetischen Mittels berechnen (bekannte / unbekannte Varianz)
ο‚§ CI eines Populationsanteils berechnen
ο‚§ Hinweise für optimalen Stichprobenumfang
CI des arithmetischen Mittels bei bekannter Varianz
I
II
Winter 16/17
David Kurbel
ο‚§ Konfidenzintervall des arithmetischen Mittels bei bekannter Varianz
ο‚§ Beispiel: Verteilung des Merkmals X (Intelligenzquotient) bei Abiturienten
ο‚§ µ = 110 und σ2 = 144
III
ο‚§ Sampling Distribution
ο‚§ Mittelwerteverteilung von Ministichproben
ο‚§ geringere Streuung / weniger Irregularitäten
IV
ο‚§ je mehr n, desto geringere Streuung für 𝑋
ο‚§ Übergang in Normalverteilung
V
ο‚§ Zentrales Grenzwerttheorem
Zentrales Grenzwerttheorem
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ Zentrales Grenzwerttheorem
ο‚§ Verteilung von Mittelwerten aus Stichproben des Umfangs n, die beliebiger
Grundgesamtheit entnommen wurden, entspricht der Normalverteilung
ο‚§ vorausgesetzt, n ist ausreichend groß (n ≥ 30 als gute Approximation)
Beispiel
Produkt A – 1€
Produkt B – 2€
Produkt C – 3€
Produkt D – 4€
Produkt E – 5€
Produkt F – 6€
ο‚§ jedes Produkt gleichhäufig gekauft (P = 1/6)
ο‚§ Zufallsvariable „Preis“: gleichverteilt
Zentrales Grenzwerttheorem
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ Zentrales Grenzwerttheorem
ο‚§ Verteilung von Mittelwerten aus Stichproben des Umfangs n, die beliebiger
Grundgesamtheit entnommen wurden, entspricht der Normalverteilung
ο‚§ vorausgesetzt, n ist ausreichend groß (n ≥ 30 als gute Approximation)
Beispiel
Produkt A – 1€
Produkt B – 2€
Produkt C – 3€
Produkt D – 4€
Produkt E – 5€
Produkt F – 6€
p(Preis: 1€) = 1/6
p(Preis: 2€) = 1/6
p(Preis: 3€) = 1/6
p(Preis: 4€) = 1/6
p(Preis: 5€) = 1/6
p(Preis: 6€) = 1/6
ο‚§ jedes Produkt gleichhäufig gekauft (P = 1/6)
ο‚§ Zufallsvariable „Preis“: gleichverteilt
Zentrales Grenzwerttheorem
I
II
III
IV
V
ο‚§ Verteilung der Kaufsummen bei 2 gekauften Produkten?
ο‚§ 6 βΈ±6 = 36 verschiedene Stichproben möglich
ο‚§ billigste Stichprobe: 2€ (2 mal Produkt A)
ο‚§ teuerste Stichprobe: 12€ (2 mal Produkt F)
Winter 16/17
David Kurbel
Zentrales Grenzwerttheorem
I
II
ο‚§ Verteilung der Kaufsummen bei 2 gekauften Produkten?
ο‚§ 6 βΈ±6 = 36 verschiedene Stichproben möglich
ο‚§ billigste Stichprobe: 2€ (2 mal Produkt A)
ο‚§ teuerste Stichprobe: 12€ (2 mal Produkt F)
IV
ο‚§ Stichprobensummen ≠ einzelne Kaufpreise
ο‚§ Verteilung Kaufpreise
ο‚§ gleichverteilt
ο‚§ Stichprobensummen
ο‚§ symmetrisch / eingipflig
V
ο‚§ je größer n, desto stärkere Annäherung an
Normalverteilung
III
Winter 16/17
David Kurbel
Zentrales Grenzwerttheorem
I
II
III
IV
V
ο‚§ normalverteile Stichprobenmittelwerte
ο‚§ Erwartungswert der Stichprobenmittelwerte
ο‚§ E (𝑋) = µ
ο‚§ Standardfehler des Mittelwertes σ𝑋 / Streuung der
Stichprobenkennwerteverteilung des Mittelwerts:
ο‚§ σ𝑋 =
σ2
𝑛
=
σ2
𝑛
=
σ
𝑛
Winter 16/17
David Kurbel
Zentrales Grenzwerttheorem
I
II
III
IV
V
ο‚§ normalverteile Stichprobenmittelwerte
ο‚§ Erwartungswert der Stichprobenmittelwerte
ο‚§ E (𝑋) = µ
ο‚§ Standardfehler des Mittelwertes σ𝑋 / Streuung der
Stichprobenkennwerteverteilung des Mittelwerts:
ο‚§ σ𝑋 =
σ2
𝑛
=
σ2
𝑛
=
σ
𝑛
Winter 16/17
David Kurbel
CI des arithmetischen Mittels bei bekannter Varianz
I
II
III
IV
ο‚§ Standardnormalverteilung
ο‚§ z-Transformation
𝑋 −µ
ο‚§ z=
σ
ο‚§ Mittelwert / Streuung verändern sich, Verteilungsform nicht
ο‚§ Anwendung auf normalverteilte Zufallsvariable 𝑋
ο‚§ 𝑧𝑋 =
𝑋−µ
σ𝑋
ο‚§ Mittelwert: 0, Streuung: 1
ο‚§ Wahrscheinlichkeit, mit der Mittelwerte 𝑋 > a auftreten, bestimmen
V
Winter 16/17
David Kurbel
CI des arithmetischen Mittels bei bekannter Varianz
I
II
III
IV
V
ο‚§ Abiturientenproblem
ο‚§ Wahrscheinlichkeit von Stichprobenmittelwerten für
ο‚§ 𝑋 > 115
ο‚§ n = 36
ο‚§ Durchschnittlicher IQ: µ = 110
ο‚§ Varianz der IQ-Werte: σ2 = 144
Winter 16/17
David Kurbel
CI des arithmetischen Mittels bei bekannter Varianz
I
II
III
ο‚§ Abiturientenproblem
ο‚§ Wahrscheinlichkeit von Stichprobenmittelwerten für
ο‚§ 𝑋 > 115
ο‚§ n = 36
ο‚§ Durchschnittlicher IQ: µ = 110
ο‚§ Varianz der IQ-Werte: σ2 = 144
ο‚§ Standardfehler der Mittelwerteverteilung
IV
ο‚§ σ𝑋 =
V
σ2
𝑛
=
144
36
= 2.00
Winter 16/17
David Kurbel
CI des arithmetischen Mittels bei bekannter Varianz
I
II
III
ο‚§ Abiturientenproblem
ο‚§ Wahrscheinlichkeit von Stichprobenmittelwerten für
ο‚§ 𝑋 > 115
ο‚§ n = 36
ο‚§ Durchschnittlicher IQ: µ = 110
ο‚§ Varianz der IQ-Werte: σ2 = 144
ο‚§ Standardfehler der Mittelwerteverteilung
IV
ο‚§ σ𝑋 =
V
ο‚§ 𝑧𝑋 =
σ2
𝑛
=
115 −110
2
144
36
= 2.00
𝑋 = 115 entspricht 𝑧𝑋 = 2.50
= 2.50
Winter 16/17
David Kurbel
CI des arithmetischen Mittels bei bekannter Varianz
I
II
Winter 16/17
David Kurbel
ο‚§ Wahrscheinlichkeit für 𝑧𝑋 = 2.50
ο‚§ Flächeninhalt der Standardnormalverteilung zwischen 2.50 und ∞
ο‚§ p (𝑧𝑋 > 2.50) = .0062
ο‚§ Wahrscheinlichkeit für 𝑋 = 115 bei n = 36 ist 0,62%, wenn µ = 110 und σ2 = 144
III
IV
V
ο‚§ Stichprobenmittelwert weicht mindestens 5 IQ-Punkte von µ ab
105 −110
ο‚§
= – 2.50
2
ο‚§ p (𝑧𝑋 > 2.50) = .0062
ο‚§ p (𝑧𝑋 < – 2.50) = .0062
ο‚§ p (– 2.50 > 𝑧𝑋 > 2.50) = .0062 + .0062 = .0124
Wahrscheinlichkeit von 1.24%
CI des arithmetischen Mittels bei bekannter Varianz
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ 𝑋-Wertebereiche
ο‚§ Intervall, in dem sich bestimmter Anteil p aller Stichprobenmittelwerte befindet
ο‚§ p = .95
ο‚§ 𝑍𝑋 -Werte an beiden Seiten, die je 2.50% abschneiden
ο‚§ 𝑧𝑋 = – 1.96
ο‚§ 𝑧𝑋 = 1.96
ο‚§ p (– 1.96 < 𝑧𝑋 < 1.96) = .95
ο‚§ Mittelwerte via z-Transformation
CI des arithmetischen Mittels bei bekannter Varianz
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ 𝑋-Wertebereiche
ο‚§ Intervall, in dem sich bestimmter Anteil p aller Stichprobenmittelwerte befindet
ο‚§ p = .95
ο‚§ 𝑍𝑋 -Werte an beiden Seiten, die je 2.50% abschneiden
ο‚§ 𝑧𝑋 = – 1.96
ο‚§ 𝑧𝑋 = 1.96
ο‚§ p (– 1.96 < 𝑧𝑋 < 1.96) = .95
ο‚§ Mittelwerte via z-Transformation
π‘₯𝑒 −110
2
ο‚§ – 1.96 =
ο‚§ π‘₯𝑒 = 106.08
π‘₯π‘œ −110
2
1.96 =
π‘₯π‘œ = 113.92
CI des arithmetischen Mittels bei bekannter Varianz
Winter 16/17
David Kurbel
I
ο‚§ π‘₯𝑒 = 106.08 als Untergrenze des Intervalls
ο‚§ π‘₯π‘œ = 113.92 als Obergrenze des Intervalls
II
ο‚§ Mittelwerte aus Stichproben des Umfangs n = 36 mit 95%er Wahrscheinlichkeit im
Bereich 106.08 bis 113.92 auf
III
IV
V
ο‚§ σ𝑋 βΈ±1.96 = 3.92
bei σ𝑋 = 2
ο‚§ Bereich: µ ± 3.92
ο‚§ 𝑋-Wertebereich von µ
ο‚§ Problem: zwischen 𝑧𝑒 = 1.75 und π‘§π‘œ = 2.33 ebenfalls 95% der Gesamtfläche
ο‚§ theoretisch unendlich viele Formen von a < µ < b
ο‚§ „minimale Intervallbreite“ – 1.96 + 1.96 = 3.92; bei 1.75 + 2.33 = 4.08
ο‚§ Bevorzugung des kürzesten 𝑋-Wertebereich, da genauste µ-Schätzung
CI des arithmetischen Mittels bei bekannter Varianz
I
II
ο‚§ Bestimmung des Konfidenzintervalls
ο‚§ µ meist unbekannt
ο‚§ 1 Stichprobenmittelwert x bekannt
ο‚§ Parameter für 𝑋-Wertebereiche, in denen sich der bekannte x-Wert befindet
ο‚§ Bei welchen Parametern x-Wert im 95%igen 𝑋-Wertebereich?
III
IV
V
Winter 16/17
David Kurbel
ο‚§ alle Parameter im Bereich x ± a kommen infrage
ο‚§ Annahme: µ = π‘₯ + a, π‘₯-Wert begrenzt 𝑋-Wertebereiche rechtsseitig
ο‚§ Annahme: µ = π‘₯ – a, π‘₯-Wert begrenzt 𝑋-Wertebereiche linksseitig
ο‚§ auch 𝑋 ± a ist eine Zufallsvariable
CI des arithmetischen Mittels bei bekannter Varianz
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ wiederholte Stichprobenentnahme: verschiedene π‘₯-Werte, bzw. π‘₯ ± a
ο‚§ Auftretenswahrscheinlichkeit von π‘₯-Wert abhängig von µ
ο‚§ starke Abweichung von µ: unwahrscheinlicher als Werte in der Nähe von µ
ο‚§ Stichprobenziehen vom Umfang n
ο‚§ 95% richtige Parameterbereiche
ο‚§ 5% falsche Parameterbereiche
CI des arithmetischen Mittels bei bekannter Varianz
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ Interpretation von Konfidenzintervallen
ο‚§ klassischer Wahrscheinlichkeitsbegriff
ο‚§ auf Basis empirischer Daten berechnetes CI kann lediglich aussagen, ob wahrer
Populationsparameter enthalten oder nicht
ο‚§ subjektiver Wahrscheinlichkeitsbegriff
ο‚§ gesuchter Parameter mit Wahrscheinlichkeit von 95% im berechneten CI
ο‚§
ο‚§
ο‚§
ο‚§
Konfidenzkoeffizienten
p = .95 oder p = .99
Standardnormalverteilungstabelle für .99: ± 2.58
99%iges CI: π‘₯ ± 2.58 βΈ±σ𝑋
CI des arithmetischen Mittels bei bekannter Varianz
I
ο‚§ allgemeine Formel
ο‚§ Δπ‘˜π‘Ÿπ‘–π‘‘(1−α) = 𝑋 ± 𝑍(α) βΈ±σ𝑋
II
III
IV
V
2
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
Beispiel:
n = 36
𝑋 = 112
99% CI
Z-Wert: ± 2.58
Varianz der IQ-Werte σ2 : 144
Winter 16/17
David Kurbel
CI des arithmetischen Mittels bei bekannter Varianz
I
ο‚§ allgemeine Formel
Standardfehler der Mittelwertsverteilung
ο‚§ Δπ‘˜π‘Ÿπ‘–π‘‘(1−α) = 𝑋 ± 𝑍(α) βΈ±σ𝑋
II
III
IV
V
2
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
Winter 16/17
David Kurbel
Beispiel:
n = 36
𝑋 = 112
99% CI
Z-Wert: ± 2.58
Varianz der IQ-Werte σ2 : 144
σ𝑋 =
σ2
𝑛
= 2.00
CI des arithmetischen Mittels bei bekannter Varianz
I
ο‚§ allgemeine Formel
Standardfehler der Mittelwertsverteilung
ο‚§ Δπ‘˜π‘Ÿπ‘–π‘‘(1−α) = 𝑋 ± 𝑍(α) βΈ±2
II
III
IV
V
2
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
Winter 16/17
David Kurbel
Beispiel:
n = 36
𝑋 = 112
99% CI
Z-Wert: ± 2.58
Varianz der IQ-Werte σ2 : 144
σ𝑋 =
σ2
𝑛
= 2.00
CI des arithmetischen Mittels bei bekannter Varianz
I
ο‚§ allgemeine Formel
ο‚§ Δπ‘˜π‘Ÿπ‘–π‘‘(1−α) = 𝑋 ± 2.58 βΈ±2
II
III
IV
V
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
Beispiel:
n = 36
𝑋 = 112
99% CI
Z-Wert: ± 2.58
Varianz der IQ-Werte σ2 : 144
Winter 16/17
David Kurbel
Standardfehler der Mittelwertsverteilung
σ𝑋 =
σ2
𝑛
= 2.00
CI des arithmetischen Mittels bei bekannter Varianz
I
ο‚§ allgemeine Formel
ο‚§ Δπ‘˜π‘Ÿπ‘–π‘‘(1−α) = 112 ± 2.58 βΈ±2
II
III
IV
V
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
Beispiel:
n = 36
𝑋 = 112
99% CI
Z-Wert: ± 2.58
Varianz der IQ-Werte σ2 : 144
Winter 16/17
David Kurbel
Standardfehler der Mittelwertsverteilung
σ𝑋 =
σ2
𝑛
= 2.00
CI des arithmetischen Mittels bei bekannter Varianz
I
ο‚§ allgemeine Formel
ο‚§ Δπ‘˜π‘Ÿπ‘–π‘‘(1−α) = 112 ± 2.58 βΈ±2
II
IV
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
ο‚§
V
ο‚§ 112 – 5.16 ≤ µ ≤ 112 + 5.16
ο‚§ bzw. 106.84 ≤ µ ≤ 117.16
III
Beispiel:
n = 36
𝑋 = 112
99% CI
Z-Wert: ± 2.58
Varianz der IQ-Werte σ2 : 144
Winter 16/17
David Kurbel
Standardfehler der Mittelwertsverteilung
σ𝑋 =
σ2
𝑛
= 2.00
CI des arithmetischen Mittels / unbekannte Varianz
I
II
ο‚§ Konfidenzintervall des arithmetischen Mittels bei unbekannter Varianz
ο‚§ Schätzung der Populationsvarianz über Stichprobendaten
ο‚§ Schätzung des Standardfehlers
III
ο‚§ für große n: Annahme der Standardnormalverteilung
ο‚§ für kleine n: Verwendung der t-Verteilung
ο‚§ kritische z-Werte für 95%: 1.96; für 99%: 2.58
IV
ο‚§ n ≥ 30
ο‚§ Δπ‘˜π‘Ÿπ‘–π‘‘(1−α) = 𝑋 ± 𝑍(α) βΈ±σ𝑋 mit σ𝑋 =
V
2
σ2
𝑛
Winter 16/17
David Kurbel
CI des arithmetischen Mittels / unbekannte Varianz
I
II
ο‚§ n ≤ 30
ο‚§ Verwendung der t-Verteilung
ο‚§ normalverteilte Population
ο‚§ Verwendung der entsprechenden Freiheitsgrade df = n – 1
ο‚§ Δπ‘˜π‘Ÿπ‘–π‘‘(1−α) = 𝑋 ± 𝑑(α,𝑑𝑓) βΈ±σ𝑋 mit σ𝑋 =
2
III
IV
V
ο‚§ kritische t-Werte von n / df abhängig
σ2
𝑛
Winter 16/17
David Kurbel
CI des arithmetischen Mittels / unbekannte Varianz
I
ο‚§ t-Verteilung
ο‚§ 𝑧𝑋 =
II
III
IV
V
𝑋−µ
σ𝑋
Standardfehler der Mittelwertsverteilung
=
𝑋−µ
σ2
𝑛
σ𝑋 =
σ2
𝑛
ο‚§ bekannte Populationsstreuung σ unrealistisch
ο‚§ σ als Schätzung: Zufallsvariable t
ο‚§ t=
𝑋−µ
σ𝑋
=
Winter 16/17
David Kurbel
𝑋−µ
σ2
𝑛
ο‚§ 𝑋 und σ sind stichprobenabhängig
CI des arithmetischen Mittels / unbekannte Varianz
I
ο‚§ t-Verteilung
ο‚§ 𝑧𝑋 =
II
III
𝑋−µ
σ𝑋
Standardfehler der Mittelwertsverteilung
=
𝑋−µ
σ2
𝑛
σ𝑋 =
σ2
𝑛
ο‚§ bekannte Populationsstreuung σ unrealistisch
ο‚§ σ als Schätzung: Zufallsvariable t
ο‚§ t=
𝑋−µ
σ𝑋
=
Winter 16/17
David Kurbel
𝑋−µ
σ2
𝑛
IV
ο‚§ 𝑋 und σ sind stichprobenabhängig
V
ο‚§ symmetrisch / eingipflig
ο‚§ µ=0
ο‚§ SD: σ = (𝑛 − 1)/(𝑛 − 3)
CI des arithmetischen Mittels / unbekannte Varianz
I
II
III
IV
V
ο‚§ Freiheitsgrade dfs
ο‚§ Anzahl frei variierender Abweichungen
ο‚§ Stichprobe n sind n – 1 Abweichungen variierbar
ο‚§ Beispiel – Abweichungen vom Mittelwert
ο‚§ 4 Messungen
ο‚§ π‘₯1 - π‘₯ = 2
ο‚§ π‘₯2 - π‘₯ = -3
ο‚§ π‘₯3 - π‘₯ = -5
Winter 16/17
David Kurbel
CI des arithmetischen Mittels / unbekannte Varianz
I
II
III
IV
V
ο‚§ Freiheitsgrade dfs
ο‚§ Anzahl frei variierender Abweichungen
ο‚§ Stichprobe n sind n – 1 Abweichungen variierbar
ο‚§ Beispiel – Abweichungen vom Mittelwert
ο‚§ 4 Messungen
ο‚§ π‘₯1 - π‘₯ = 2
ο‚§ π‘₯2 - π‘₯ = -3
Summe aller Differenzen muss 0 ergeben!
ο‚§ π‘₯3 - π‘₯ = -5
Winter 16/17
David Kurbel
CI des arithmetischen Mittels / unbekannte Varianz
I
II
III
IV
V
ο‚§ Freiheitsgrade dfs
ο‚§ Anzahl frei variierender Abweichungen
ο‚§ Stichprobe n sind n – 1 Abweichungen variierbar
ο‚§ Beispiel – Abweichungen vom Mittelwert
ο‚§ 4 Messungen
ο‚§ π‘₯1 - π‘₯ = 2
ο‚§ π‘₯2 - π‘₯ = -3
Summe aller Differenzen muss 0 ergeben!
ο‚§ π‘₯3 - π‘₯ = -5
ο‚§ π‘₯4 - π‘₯ = 6
Winter 16/17
David Kurbel
CI des arithmetischen Mittels / unbekannte Varianz
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ Freiheitsgrade dfs
ο‚§ Anzahl frei variierender Abweichungen
ο‚§ Stichprobe n sind n – 1 Abweichungen variierbar
ο‚§ Beispiel – Abweichungen vom Mittelwert
ο‚§ 4 Messungen
ο‚§ π‘₯1 - π‘₯ = 2
ο‚§ π‘₯2 - π‘₯ = -3
Summe aller Differenzen muss 0 ergeben!
ο‚§ π‘₯3 - π‘₯ = -5
ο‚§ π‘₯4 - π‘₯ = 6
ο‚§ verschiedene t-Verteilungen
ο‚§ Streuungen abhängig von der Anzahl der dfs der Varianzschätzungen
CI des arithmetischen Mittels / unbekannte Varianz
I
II
III
IV
V
ο‚§ Freiheitsgrade dfs
ο‚§ mit zunehmenden dfs Annäherung an Standardnormalverteilung
ο‚§ für dfs > 30 Verwendung der Standardnormalverteilung möglich
Winter 16/17
David Kurbel
Winter 16/17
David Kurbel
Optimierung des Stichprobenumfangs
I
II
III
IV
V
ο‚§ Überlegungen zur Optimierung des Stichprobenumfangs
ο‚§ gute Approximation bei n ≥ 30
ο‚§ CI des arithmetischen Mittels
ο‚§ 𝑧𝑋 =
𝑋−µ
σ𝑋
=
𝑋−µ
σ2
𝑛
ο‚§ n=
𝑧 2 −σ2
𝑒2
=
𝑒
σ2
𝑛
auflösen nach n
e als Schätzfehler 𝑋 − µ
Optimierung des Stichprobenumfangs
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ Überlegungen zur Optimierung des Stichprobenumfangs
ο‚§ n=
𝑧 2 −σ2
𝑒2
ο‚§ mit abnehmendem Schätzfehler wächst der optimale Stichprobenumfang
quadratisch
Optimierung des Stichprobenumfangs
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ Überlegungen zur Optimierung des Stichprobenumfangs
ο‚§ n=
𝑧 2 −σ2
𝑒2
ο‚§ mit abnehmendem Schätzfehler wächst der optimale Stichprobenumfang
quadratisch
ο‚§ mit zunehmendem Konfidenzkoeffizienten wächst der optimale
Stichprobenumfang quadratisch
Optimierung des Stichprobenumfangs
I
II
III
IV
V
Winter 16/17
David Kurbel
ο‚§ Überlegungen zur Optimierung des Stichprobenumfangs
ο‚§ n=
𝑧 2 −σ2
𝑒2
ο‚§ mit abnehmendem Schätzfehler wächst der optimale Stichprobenumfang
quadratisch
ο‚§ mit zunehmendem Konfidenzkoeffizienten wächst der optimale
Stichprobenumfang quadratisch
ο‚§ mit zunehmender Populationsstreuung wächst der optimale Stichprobenumfang
quadratisch
ο‚§ Streuung des Populationsmerkmals muss ungefähr bekannt sein
ο‚§ Festlegung des Schätzfehlers / des optimalen Stichprobenumfangs
ο‚§ Vorinformationen / Vorstudie
ο‚§ Schätzung während der Hauptuntersuchung
t-Test für unabhängige Stichproben
I
ο‚§ Anwendung im t-Test für unabhängige Stichproben
ο‚§ z-Skala der Differenzen von Mittelwerten
II
III
IV
V
ο‚§ z=
Δ𝑋 −µΔ𝑋
σΔ𝑋
Winter 16/17
David Kurbel
t-Test für unabhängige Stichproben
I
ο‚§ Anwendung im t-Test für unabhängige Stichproben
ο‚§ z-Skala der Differenzen von Mittelwerten
II
ο‚§ z=
Δ𝑋 −µΔ𝑋
σΔ𝑋
ο‚§ H0: µΔ𝑋 = 0
III
IV
V
=
Δ𝑋
σΔ𝑋
ist standardnormalverteilt
Winter 16/17
David Kurbel
t-Test für unabhängige Stichproben
I
ο‚§ Anwendung im t-Test für unabhängige Stichproben
ο‚§ z-Skala der Differenzen von Mittelwerten
II
III
ο‚§ z=
Δ𝑋 −µΔ𝑋
=
σΔ𝑋
ο‚§ H0: µΔ𝑋 = 0
ο‚§ α = 0.05
Δ𝑋
σΔ𝑋
ist standardnormalverteilt
ο‚§ Ist |z| > 𝑧1−α ?
IV
V
2
ο‚§ wenn ja: Ablehnung der H0
ο‚§ wenn nein: Beibehalten der H0
Winter 16/17
David Kurbel
Winter 16/17
David Kurbel
t-Test für unabhängige Stichproben
I
II
III
IV
V
ο‚§ Differenz der Mittelwerte: π‘₯M - π‘₯J = Δπ‘₯ bzw. 23.7 – 17.2 = 6.5
ο‚§ Standardfehler der Differenz: σΔπ‘₯ =
ο‚§ 𝜎2 =
2
(𝑛𝑀 ) 𝑠𝑀
+(𝑛𝐽 ) 𝑠𝐽2
𝑛𝑀 + 𝑛𝐽 −2
2
ο‚§ 𝑠𝑀
= 173, 𝑛𝑀 = 40
ο‚§ 𝑠𝐽2 = 106, 𝑛𝐽 = 45
𝜎2
1
𝑛𝑀
+
1
𝑛𝐽
=
𝜎2 ⸱
1
𝑛𝑀
+
1
𝑛𝐽
Winter 16/17
David Kurbel
t-Test für unabhängige Stichproben
I
II
III
IV
ο‚§ Differenz der Mittelwerte: π‘₯M - π‘₯J = Δπ‘₯ bzw. 23.7 – 17.2 = 6.5
ο‚§ Standardfehler der Differenz: σΔπ‘₯ =
ο‚§ 𝜎2 =
𝜎2
1
𝑛𝑀
2
(𝑛𝑀 ) 𝑠𝑀
+(𝑛𝐽 ) 𝑠𝐽2
𝑛𝑀 + 𝑛𝐽 −2
2
ο‚§ 𝑠𝑀
= 173, 𝑛𝑀 = 40
ο‚§ 𝑠𝐽2 = 106, 𝑛𝐽 = 45
ο‚§ σΔπ‘₯ =
V
ο‚§ z=
Δ𝑋
σΔ𝑋
40 173 +(45) 106
40 +45 −2
=
6.5
2.58
= 2.52
βΈ±
1
40
+
1
45
= 2.58
𝑧1−(α) = 1.96
2
+
1
𝑛𝐽
= 𝜎2 ⸱
1
𝑛𝑀
+
1
𝑛𝐽
Winter 16/17
David Kurbel
t-Test für unabhängige Stichproben
I
II
III
IV
ο‚§ Differenz der Mittelwerte: π‘₯M - π‘₯J = Δπ‘₯ bzw. 23.7 – 17.2 = 6.5
ο‚§ Standardfehler der Differenz: σΔπ‘₯ =
ο‚§ 𝜎2 =
𝜎2
1
𝑛𝑀
+
1
𝑛𝐽
= 𝜎2 ⸱
1
𝑛𝑀
+
1
𝑛𝐽
2
(𝑛𝑀 ) 𝑠𝑀
+(𝑛𝐽 ) 𝑠𝐽2
𝑛𝑀 + 𝑛𝐽 −2
2
ο‚§ 𝑠𝑀
= 173, 𝑛𝑀 = 40
ο‚§ 𝑠𝐽2 = 106, 𝑛𝐽 = 45
ο‚§ σΔπ‘₯ =
V
ο‚§ z=
Δ𝑋
σΔ𝑋
40 173 +(45) 106
40 +45 −2
=
6.5
2.58
= 2.52
βΈ±
1
40
+
1
45
= 2.58
𝑧1−(α) = 1.96
2
2.52 > 1.96, d.h. |z| > 𝑧1−α ; H0
2
Herunterladen