Stochastik Vorlesung in vier Teilen im Rahmen von Mathematik für alle, Leuphanasemester Folie 1 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

Präsentation zum Thema: "Stochastik Vorlesung in vier Teilen im Rahmen von Mathematik für alle, Leuphanasemester Folie 1 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,"—  Präsentation transkript:

1 Stochastik Vorlesung in vier Teilen im Rahmen von Mathematik für alle, Leuphanasemester Folie 1 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

2 Laplace-Würfel ? Bei welchen Zufallsgeräten sind alle
Laplacian dices? Laplace-Würfel ? Bei welchen Zufallsgeräten sind alle Elementar-Ereignisse gleichwahrscheinlich? In what cases are elementary results equiprobable? Folie 2 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

3 Die Elementar-Ereignisse sind gleichwahrscheinlich.
Laplacian dices Laplace-Würfel Die Elementar-Ereignisse sind gleichwahrscheinlich. For Laplacian dices elementary resuts are equiprobable. Ereignis = eine Menge von Elementar-Ereignissen An event is a set of elementary results. A={5,6} B=„ich würfele ein Primzahl“ I roll a prime number Folie 3 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

4 Laplace-Gesetz Die Wahrscheinlichkeit, dass E eintritt Laplcian law
Sind alle Elementar-Ereignisse gleich-wahrscheinlich, dann ist die Wahrscheinlichkeit eines zusammengesetzten Ereignisses E : Die Wahrscheinlichkeit, dass E eintritt P=Wahrscheinlichkeit, probabitity beim Kubus-Würfel: with a cube dice Folie 4 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

5 Geometric probability as affiliation of the Laplacian law
Geometrische Wahrscheinlichkeit als Zurückführung auf das Laplace-Gesetz Wenn jede Zeigerstellung die gleiche Wahrscheinlichkeit hat, dann gilt: each needle position has the same probability Folie 5 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

6 Alle Elementar-Ereignisse sind gleich-wahrscheinlich
Laplace-Würfel Mit welcher Wahrscheinlichkeit würfelt man eine Primzahl? ? Bei welchem Zufallsversuch denn Beim Dodekaeder-Würfel Beim Tetraeder-Würfel Beim Ikosaeder-Würfel Beim Oktaeder-Würfel Beim Hexaeder-Würfel Alle Elementar-Ereignisse sind gleich-wahrscheinlich Folie 6 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

7 Wahrscheinlichkeitsbegriff ???
Und hier ?????? What can we do here? Astragali, römische Würfel dices of the romans Suhle,Seite, Haxe,Schnauze What shall be the concept of probability? Wahrscheinlichkeitsbegriff ??? Die relative Häufigkeit bei einer langen Wurfserie ist wahrscheinlich die Wahrscheinlichkeit!?!?!?!?!?!? Folie 7 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

8 Wahrscheinlichkeitsbegriff ???
Und hier ?????? What can we do here? Zirkuläre Begriffsbildung Wahrscheinlichkeitsbegriff ??? Circular concepts does‘nt work! Die relative Häufigkeit bei einer langen Wurfserie ist wahrscheinlich die Wahrscheinlichkeit!?!?!?!?!?!? The relative frequency probably goes to the probability? Folie 8 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

9 Zufallswege, random walks
Wir sehen uns an, wie sich die relative Häufigkeit bei langen Wurfserien verhält. Zufallswege, random walks theoretischer Wert n grün=+/- 0.5%-Streifen rot=1-sigma-Streifen stripes Folie 9 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

10 Zufallswege, random walks
Empirisches Gesetz der großen Zahl: Die relative Häufigkeit stabilisiert sich. relative frequency become stable Empirisches Gesetz der großen Zahl law of large numbers Weitere Fälle interaktiv oder auf dieser pdf-Seite Es wird für immer größere n immer unwahrscheinlicher, das ein vorgegebener Streifen wieder verlassen wird. Abb. 10.6 Abb. 20(-) For growing up n it become less probable that the observed relative frequency leave a given stripe. Folie 10 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

11 Plan Stochastik Kapitel 10 Stochastik 1 Zufallswege,
Fundierung des Wahrscheinlichkeitsbegriffes, Zufallsgröße, deren Verteilung und Erwartungswert, Binomialverteilung und ihre Kenngrößen. Stochastik 2 Hypothesentest bei Bernoulliversuchen auf der Grundlage der Binomialverteilung, Signifikanz, n-sigma-Grenzen und ihre Bedeutung Schätzen, Konfidenzintervalle. Stochastik 3 Normalverteilung, Standardabweichung, Messwerte, Wurzel(n)-Gesetz Hypothesentest bei Messwerten, Irrtumswahrscheinlichkeit, P-Wert. Stochastik 4 Überblick über Vorgehensweisen der Stochastik: Elemente der beschreibenden Statistik, Regression, Korrelation Weitere Verteilungen, Empirisches Forschen Folie 11 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

12 Axiome zur Grundlegung einer Theorie
foundation Forderungen an ein Axiomensystem: effizient widerspruchsfrei consistant valide so wenige Axiome wie möglich passend zu dem Gebiet, für das es entworfen wird Euklid: Axiome der Geometrie vor 2300 Jahren Newtonsche Axiome der Mechanik, um 1680 Axiome der Algebra, 19. Jh. Folie 12 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

13 Wahrscheinlichkeitstheorie
Axiome von Kolmogorow theory of probability Ereignisraum sample space Elementarereignisse elementary events Folie 13 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

14 Mehrstufige Zufallsversuche
multi-level random experiments 3 rote und 2 grüne Socken in der Schublade urn model, pulling without putting back zweimal hineingreifen ohne zurückzulegen Mit welcher Wahrscheinlichkeit habe ich verschiedenfarbige Socken an? P(different colors)? Folie 14 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

15 Mehrstufige Zufallsversuche
multi-level random experiments 3 rote und 5 grüne Socken in der Schublade Baumdiagramm zweimal hineingreifen ohne zurückzulegen als Sparbaum eco-tree kurze Strecken=Äste branches vom Start bis unten=Pfade pathes Mit welcher Wahrscheinlichkeit habe ich verschiedenfarbige Socken an? P(different colors)? Folie 15 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

16 Mehrstufige Zufallsversuche
multi-level random experiments Die Äste werden mit Wahrscheinlichkeiten beschriftet. Von einen Knoten abgehende Äste haben immer zusammen Wahrscheinlichkeit 1. Oft braucht man nur Teile des Baumes, man nimmt einen Sparbaum (eco-tree) Pfadregeln: path-laws Die W. eines Pfades ist das Produkt der Ast-Wahrscheinlichkeiten. Tragen mehrere Pfade zu einem Ereignis bei, sind die Pfad-Wahrscheinlichkeiten zu addieren. Mit welcher Wahrscheinlichkeit habe ich verschiedenfarbige Socken an? Folie 16 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

17 Wahrscheinlichkeits- Verteilung probabitity distribution
Abb.10.9 Liste, Histogramm Es wird angegeben, wie die Gesamtwahrscheinlichkeit 1 bei dem Zufallsexperiment auf die Ausgänge verteilt ist. outcomes später: auch Formel Folie 17 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

18 Gleichverteilung rectangular (equal) distribution
Erwartungswert expectation value Folie 18 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

19 Baumdiagramm und Verteilung
tree diagramm and distibution Folie 19 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

20 Baumdiagramm und Verteilung
Folie 20 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

21 Zufallsgröße, Erwartungswert und Verteilung random variable, expectation value and distibution
Eine Zufallsgröße ist eine Größe, deren Wert vom Zufall abhängt. „Größe“ im Sinne der Physik: reelle Zahl, ggf. mit einer „Einheit“ like „dimension“ in physics: real number, if need so with an unit Jedem Ereignis wird ein Wert der Zufalls- größe zugeordnet. Die für das Ereignis gültige Wahrscheinlichkeit wird als W. für diesen Wert genommen. The event E is a set of elementary outcomes. k is the value which is related to E. The the probability of k ist defined as the probability of the event E. Folie 21 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

22 Krüge für den Handwerkermarkt
crocks for the craftsmen market Verteilung | X mal P Entstehung von Formfehlern und Glasurfehlern als zweistufiger Zufallsversuch. failours in form and glaze as a 2-level random experiment Merkmale: 1. und 2.Wahl, Ausschuss 1. and 2. selection and waste Zufallsgröße: X= Einnahme in € Liste Erwartungswert E(X)= Multipliziere die Liste der Werte von X mit der Liste der Wahrscheinlichkeiten und bilde die Summe der neuen Spalte. Multiply the X-values with the probabilities in a new column and add all. Folie 22 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

23 Jakob I. Bernoulli, etwa 1700 Folie 23 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

24 Bernoulli-Versuch, Bernoulli-Kette
process trial, experiment Jakob I. Bernoulli, Basel Bernoulliversuch: 1. klare Ja/Nein Entscheidung 2. Wahrscheinlichkeit für Ja ist p yes/no Bernoulli-Kette: n Bernoulliversuche mit konstantem p Zufallsgröße : X = Zahl der „ja“ in der Kette random variable counts the number of successes under n Folie 24 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

25 Bernoulli-Kette führt zur Binomialverteilung
Galton Brett britischer Naturforscher Sir Francis Galton ( ) Folie 25 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

26 Binomial-Verteilung, Binomial distibution
Die Zufallsgröße X einer Bernoullikette der Länge n ist binomialverteilt, binomially distributed Taschenrechner Binom Pdf (n , p),k) Pdf(binomial distribution (10,0.3),2) Folie 26 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

27 Binomial-Verteilung Die Zufallsgröße X einer Bernoullikette der Länge n ist binomialverteilt The binomial distribution is used to model the number of successes in a sample of size n drawn with replacement from a population of size N. It must be n<<N Folie 27 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

28 Kombinatorik Folie 28 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

29 Kombinatorik www.mathematik-sehen-und-verstehen.de Binomial-
Koeffizient Folie 29 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

30 Binomial-Koeffizienten
binomial coefficient Höhere Binomische Formeln Schreibe unten das Produkt bis k und oben genauso viele Faktoren Folie 30 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

31 Binomial-Koeffizienten
binomial coefficient Taschenrechner nCr(n,k) binomial coefficient Folie 31 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

32 Binomial-Koeffizienten
binomial coefficient Taschenrechner nCr(n,k) binomial coefficient Folie 32 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

33 Binomial-Verteilung Taschenrechner Binom Pdf (n , p),k)
Pdf(binomial distribution (10,0.3),2) Folie 33 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

34 Binomial-Verteilung Die Zufallsgröße X einer Bernoullikette der Länge n ist binomialverteilt Taschenrechner Binom Pdf (n , p),k) Pdf(binomial distribution (10,0.3),2) Folie 34 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

35 Parameter der Binomial-Verteilung
Die Zufallsgröße X einer Bernoullikette der Länge n ist binomialverteilt The random variable X is binomial distibuted. Parameter n und p The binomial distribution is used to model the number X of successes in a sample of size n drawn with replacement from a population of size N. The probabiltiy of one single success is p. The parameters are n and p. Folie 35 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

36 Kenngrößen measures der Binomial-Verteilung
Fläche für den Balken k. Area of the bar with number k. Erwartungswert expectation value dort steht der höchste Balken it is the position of the highest bar sigma Varianz variance standard deviation Standardabweichung Folie 36 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

37 Binomial- und Normalverteilung binomial and normal distibution
1-sigma-Abstand liegt bei den Wendepunkten sehr ungewöhnlich eminent abnormal The inflection points define the 1-sigma- distance Ergebnisse außerhalb des 2-sigma-Bereichs heißen „ungewöhnlich“, sie treten mit 5% W. auf. Results outside of the 2-sigma-region are called „abnormal“, their probability is 5%. Folie 37 Beim Testen: signifikant auf dem 5% Niveau // hochsignifikant Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

38 Fixe Überlegungen quick thinking
Folie 38 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

39 Fixe Überlegungen quick thinking
Folie 39 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

40 Fixe Überlegungen quick thinking
Folie 40 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

41 Fixe Überlegungen quick thinking
Folie 41 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

42 Kenngrößen der Binomialverteilung
der Zufallsgröße X = Anz. der „ja“ Erwartungswert in der Kette n, p Oh je! Klein Fritzchen-Wert Folie 42 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

43 Kenngrößen der Binomialverteilung
Varianz = Erwartungswert die Abweichungsquadrate vom Mittelwert noch schlimmer! Standard-abweichung Folie 43 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

44 Seminarplan Stochastik 1
Das war Stochastik 1 Zufallswege, Fundierung des Wahrscheinlichkeitsbegriffes, Zufallsgröße, deren Verteilung und Erwartungswert, Binomialverteilung und ihre Kenngrößen. W.-Rechner Folie 44 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

45 Beurteilende Statistik inferential statistics
schließende Statistik inferentielle Statistik Die Aufgabe ist: The issue is: Schluss von einer Stichprobe auf die Grundgesamtheit statistical inference from the sample to the population zwei Handlungs-Typen there are two types to handle it Testen: Hypothesentest hypothesis testing Schätzen: Konfidenzintervall estimation confidence interval Wir wollen die Hypothese H1 durch eine Stichprobe statistisch stützen Bisher galt (unsere Geger meinen) H0 Folie 45 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

46 Beurteilende Statistik inferential statistics
schließende Statistik inferentielle Statistik Die Aufgabe ist: The issue is: Schluss von einer Stichprobe auf die Grundgesamtheit statistical inference from the sample to the population zwei Handlungs-Typen there are two types to handle it Testen: Hypothesentest hypothesis testing Schätzen: Konfidenzintervall estimation confidence interval Wir haben noch kein Wissen. Die Stichprobe soll Auskunft geben. We are nescient, the sample shall inform us Ziel: Forschungshypothese H1 durch Stichprobe stützen. Intention: the sample shall support H1 Folie 46 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

47 Forderungen an die Stichprobe demands on the sample
Generelle Voraussetzung: General condition Die Stichprobe muss „repräsentativ“ sein. Am besten man verwirklicht : Jedes Element der Grundgesamtheit muss dieselbe Chance haben, in die Stichprobe zu kommen, wie jedes andere. The sample has to be representativ. The best way to do this is: Any element of the population must have the same chance to come into the sample. Es gibt verschiedene Wege, zu repräsentativen Stichproben zu kommen und die werden in speziellen Büchern oder dickem Statistik-Büchern vorgestellt. Andreas Quatember ISBN ISBN (eBook) (verständlich) Folie 47 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

48 Hypothesentest hypothesis testing
The scientists observed that newly hatched chicks soon start picking only round grains ra- ther than angular ones. They assume this behavior is hereditary, research hypothesis H1. Experiment: Biolix put a lot of cardboard pices on the ground :30% round and 70% triangels deutsch in meinem Buch Man hat eine Vermutung, die wird zur „Forschungshypothese“ H1. Das logische Gegenteil wird zur „Nullhypothese“H0. Die Nullhypothese kann man niemals beweisen oder unterstützen oder (nach dem Test) für wahr halten. Sie bildet die stets die Rechengrundlage. The null hypothesis H0 must be the logical contrary of H1. Ist is never possible to proof or support H0. All computation will based on H0. Folie 48 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

49 Hypothesentest hypothesis testing
Bernoulli trial rund/ eckig round or triangle mehr Attrappen als im Bild, more dummies then the picture shows konstant Biolix watched one just sliped chick. It picked 5 times, among that 3 round forms. He prepared the demonstration for the scientists. Nein, keine Aussage möglich!!! No conclusion ist possible!!! not significant citical region Signifikanztest: Das Versuchsergebnis legt das „kritische Gebiet“ fest. Dieser Versuch zeigt kein signifikantes Egebnis. Folie 49 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

50 Hypothesentest als Signifikanztest
Biolix zuerst W.-Rechner significant high significant Die Aussagekraft steigt –bei gleichen Verhältnissen- mit dem Stichprobenumfang n. the same ratio but more power Hier ist es ein einseitiger Test, weil man vorher wusste, dass eher mehr runde Körner gepickt werden. The knowlege at the begin give the permission for the one-sided test. Folie 50 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

51 Sprechweisen beim Hypothesentest How to speak in hypothesis testing
W.-Rechner 1. Bei n=10 haben die Küken signifikant ( ) mehr runde Körner gepickt als zu erwarten war. 1. By n=10 the chicks picked significantly more round grains than we expected. 2. Bei n=20 haben die Küken hochsignifikant( ) mehr runde Körner gepickt als zu erwarten war. 2. By n=20 the chicks picked high significantly (alpha < 1%) more …. 3. Wir nehmen daher unsere Forschungshypothese an: „Küken haben eine angeborene Vorliebe für runde Körner“ (Signifikanzniveau unter 5%) 3. We accept our research hypothesis: „Chicks have a hereditary preferenz for round grains.“ (level of significance less than 5%) Folie 51 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

52 Hypothesentest Weitere Redeweisen: More modes of speaking:
W.-Rechner Weitere Redeweisen: 4. Mit einer Irrtumswahrscheinlichkeit von weniger als behaupten wir, dass Küken eine genetische Prägung auf runde Körner haben. 5. Wir konnten die Hypothese, Küken lernten erst allmählich, dass nur runde Körner essbar sind, auf einem Signifikanzniveau von unter 5% ablehnen. More modes of speaking: 4. With an error probability of less than 5% we suggest that Chicks have a genetic imprinting for round grains. 5. We could disclaim the hypothesis that chicks are learning day by day that only round grains are eatable with a 5%-level of significance. Hypothesen gelten ganz oder gar nicht, sie haben keinerlei Wahrscheinlichkeit. english sentence follows next Folie 52 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

53 Hypothesentest Correct is: No hypothesis has any probability.
W.-Rechner Falsche Redeweisen: 6. Die Hypothese, dass das Picken auf runde Körner angeboren ist, gilt mit 95% Wahrscheinlichkeit. 7. Nur 5% der Küken müssen das Picken auf runde Körner erst lernen. 8. 95% des Pickverhaltens kann man mit der Genetik erklären. Wrong modes of speaking: 6. The hypothesis that picking round grains is hereditary is valid with a probability of 95%. 7. Only 5% of the chicks have to lern to pink better round grains. 8. 95% of the picking-behavior can be explained with genetics. Correct is: No hypothesis has any probability. A hypothesis is total correct or total incorrect. Folie 53 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

54 Hypothesentest durchführen -1-
Entscheide, welche Verteilung zu deinem Experiment passt. Entscheide, ob es ein einseitiger oder zweiseitiger Test sein soll. Für „einseitig“ muss man vor der Durchführung Gründe für eine Richtung nennen Nimm als Forschungshypothese Hypothese H1 die Behauptung, die du mit dem Versuch absichern möchtest. Die Nullhypothese H0 ist das logische Gegenteil. Alle Rechnungen erfolgen mit den Parametern von H0. Diese sind die Basis für deine potentiellen Gegner. Nun gibt es zwei Wege weiterzumachen: Erstens: Das Signifikanzniveau ergibt sich aus dem Test. Du kennst das Gesetz alpha<=5%. Zweitens: : Das Signifikanzniveau wird vorgegeben. Du nimmst den Verlust wichtiger Information in Kauf. Der erste Weg reagiert darauf, dass es heute einfach ist, die Werte von zu berechnen. Z.B. ist beim links-einseitigen Test: Der zweite Weg ist der ältere. Man wählt das Niveau aus einer Liste aus. Z.B. gehört zu den 2-sigma-Grenzen das Niveau zweiseitig. Folie 54 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

55 Hypothesentest durchführen -2-
Erstens: „Signifikanztest“: Führe die Schritte der vorigen Seite durch.. Führe den statistischen Versuch durch, das Ergebnis sei k. k (inklusive) bildet die Grenze des kritischen Gebietes. Das ist der Teil der x-Achse mit den Ergebnissen, die für die Hypothese H1 noch besser sind als k. Berechne auf der Basis von H0 Für ist nichts entschieden. Das Ergebnis k ist verträglich mit H0, du weißt nicht, ob H0 gilt oder nicht, du weißt nicht, ob H1 gilt oder nicht, . Für kannst du H1 annehmen und H0 verwerfen. Das Ergebnis k ist signifikant auf dem Niveau . Darüberhinaus ist die Wahrschein- lichkeit für den Fehler 1. Art, also H1 anzunehmen, obwohl H0 gilt. Die Befürworter des zweiten Weges befürchten, man könnte das berechnete nehmen, auch wenn es größer als 5% ist. Aber das tut man nicht!! Zweitens: Das kritische Gebiet folgt bei diesem Weg aus der Vorgabe von . Aber in einem zweiten Schritt wird bei diesem Weg der (genauere) Wert aus dem ersten Weg berechnet und man nennt ihn den P-Wert oder p-Wert. (Aus didaktischem Grund ist dieses ungeschickt, da p oft eine ganz andere Bedeutung hat.) Folie 55 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

56 How to do Hypothesis testing -1-
Decide which type of distribution suits your experiment. Decide, whether you take a one or a two sided test? For choosing „one sided“ you would need reasons before you do the test. Take as reseach hypothesis H1 the assumption you wish to proove. The null hypothesis H0 is the logical contrary. Any computation works on the values of H0. That is the basis for your potential opponents. There are two ways to proceed now: First: level of significance is result of testing. You accept the law alpha<=5% Second: level of significance alpha is predefined. You accept that important information is lost. The second way is the former type. You choose the level out of a list. I.e. with the 2-sigma-bounds you have level two sided. The first way is a modern approach, where the values of are easy to compute. I.e. for a left sided test is Folie 56 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

57 How to do Hypothesis testing -2-
First way: „significance testing“: Do the steps on the previous page. Do the experiment. The result shall be k. k (incusive) is the bound of the critical region. This is the part of the x-axis, where the results are which are better than k for the hypothesis H1. Compute with the values of H0 If nothing is decided. The result k is compatible with H0, you don‘t know if H0 is valid or not, you don‘t know if H1 is valid ar not. If you can accept H1 and reject H0. The result k is significant on level Furthermore is the probability for the error of the 1. kind, that is the error to accept H1 while H0 is correct. The promotors of the second way are afraid, that one could take the computed without respecting the less 5%-law. But this fear for good scientists is unrealistic. Second way: The citical region comes here from the chosen . But in a second step the value from the first way will be computed und is called P-value or p-value. (For didactical reasons it is no so good, because has an other meaning). Folie 57 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

58 Konfidenzintervalle intervals of confidence
Folie 58 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

59 Konfidenzintervalle intervals of confidence
Folie 59 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

60 Konfidenzintervalle intervals of confidence
n=40 k=12 Die Grenzen des Konfidenzintervalles sind die Erwartungswerte der Verteilungen, mit denen die Zählung gerade noch verträglich auf dem Niveau ist. english follows Folie 60 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

61 Konfidenzintervalle intervals of confidence
The bounds of the confidence interval are the expectation values of the distibutions which are just compatible with the data on the level approx minimum exact minium data …. Wir nehmen z=2 für Niveau 95%. Genauer wäre z=1.96. Der Unterschied ist unerheblich. Folie 61 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

62 Fixe Überlegungen quick thinking
Beobachtung: observation: k=23 von 184 Feldern mit Kohl haben den Schädling k=23 of fields with cabbage have the pest Punktschätzung point estimation relative Häufigkeit, relative frequency Es passt die Binomialverteilung n=184, p=h The binomial distibution suits. yes/no pest/not pest Konfindezintervall näherungsweise auf dem 95%-Niveau= Verträglichkeitsbereich für die Punktschätzung Wir erwarten zwischen 7,6% und 17,4% Felder mit Schädlingen. We expect …… fields with pest. Confidence interval approximative at the 95%-level = compatibility region of the point estimation Folie 62 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

63 Fixe Überlegungen quick thinking
Eine Startwochengruppe kann man Zufallsauswahl der Erstis betrachten. 25 von 30 Erstis fahren Weihnachten zu den Eltern. Geben Sie ein 95%-Konfidenzintervall an, für den Anteil der Erstis insgesamt, die Weihnachten zu den Eltern fahren. One group of the starting week can be considered as random selection. 25 of 30 Erstis travel at christmas to the parents. Give the 95%-confidence interval, for the ratio of all Erstis which travel at christmas to the parents. Folie 63 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

64 Fixe Überlegungen quick thinking
Eine Startwochengruppe kann man Zufallsauswahl der Erstis betrachten. 25 von 30 Erstis fahren Weihnachten zu den Eltern. Geben Sie ein 95%-Konfidenzintervall an, für den Anteil der Erstis insgeamt, die Weihnachten zu den Eltern fahren. Unsere kleine Umfrage hat ergeben, dass zwischen 73% und 97% unsere Erstis Weihnachten zu den Eltern fahren. Die Wahrscheinlich für die Richtigkeit dieser Aussage ist etwa 95%. One group of the starting week can be considered as random selction. 25 of 30 Erstis travel at christmas to the parents. Give the 95%-confidence interval for the ratio of all Erstis which travel at christmas to the parents. Our result says: between 73% and 97% travel at christmas to the Parents. Folie 64 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

65 Seminarplan Stochastik 2
Das war Stochastik 2 n-sigma-Grenzen und ihre Bedeutung Hypothesentest bei Bernoulliversuchen auf der Grundlage derBinomialverteilung, Signifikanz, Schätzen, Konfidenzintervalle. Folien sind kein Lesebuch! Sides don‘t be a book for reading it! Ohne Lesen kein Studium! No studies without reading! Folie 65 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,

66 Jakob I. Bernoulli, etwa 1700 Folie 66 Prof. Dr. Dörte Haftendorn, Leuphana Universität Lüneburg,