Chi-Quadrat-Anpassungstest: Unterschied zwischen den Versionen

Aus MM*Stat

Wechseln zu: Navigation, Suche
Keine Bearbeitungszusammenfassung
Zeile 1: Zeile 1:
{{Testtheorie}}
{{Testtheorie}}
{{SubpageToc|Beispiel: Würfel|Beispiel: Produktnachfrage (1.Version)|Produktnachfrage (2.Version)}}


==Grundbegriffe==
==Grundbegriffe==
Zeile 268: Zeile 269:


=={{Vorlage:Beispiele}}==
=={{Vorlage:Beispiele}}==
===Würfel===
Von einem gegebenen Würfel wird behauptet, dass es sich um einen fairen Würfel handelt.
Um diese Behauptung zu überprüfen, wird ein Chi-Quadrat-Anpassungstest auf dem [[Signifikanzniveau]] von <math>\alpha =0,1</math> durchgeführt. Der [[Stichprobenumfang|Umfang der Stichprobe]] sei <math>n=240</math>.
Die interessierende [[Zufallsvariable]] ist <math>X\;</math>: "Geworfene Augenzahl des Würfels" mit den möglichen [[Realisation]]en <math>x_{1}=1,\; x_{2}=2,\;x_{3}=3,\;x_{4}=4,\;x_{5}=5</math> und <math>x_{6}=6</math>. <math>X\;</math> ist eine [[diskrete Zufallsvariable]].
Die [[Verteilung (stochastisch)|Verteilung]] <math>F(x)</math> ist unbekannt, da nichts über den vorliegenden Würfel bekannt ist. Die Behauptung, dass es sich um einen fairen Würfel handelt, impliziert jedoch, dass die sechs möglichen [[Realisation]]en alle die gleiche [[Wahrscheinlichkeit]] des Eintretens aufweisen.
Es ist somit die [[Hypothese]] zu prüfen, dass die [[Zufallsvariable]] <math>X\;</math> eine [[diskrete Gleichverteilung]] aufweist, woraus
sich das [[Hypothese]]npaar
<math>H_{0}:\; X</math> ist [[Diskrete Gleichverteilung|diskret gleichverteilt]]
<math>H_1:\; X</math> ist nicht [[Diskrete Gleichverteilung|diskret gleichverteilt]]
ergibt.
Bei Gültigkeit der [[Nullhypothese]] folgt aufgrund der [[Wahrscheinlichkeit nach Laplace|klassischen Definition der Wahrscheinlichkeit]] <math>P(X = x_{j}) = p_{j} = \frac{1}{6}</math>  für alle <math>j = 1,\ldots, 6</math>, so dass die [[Hypothese]]n konkretisiert werden können:
<math>H_{0}:\;P\left(X=x_{j}\right)=p_{j}=\frac{1}{6},\quad\forall j=1,\ldots ,6</math>
<math>H_{1}:\;P\left(X=x_{j}\right) \neq \frac{1}{6}, \quad</math>  für mindestens ein  <math>j</math>
====Teststatistik und Entscheidungsbereiche====
Es wird die [[Teststatistik]] des Chi-Quadrat-Anpassungstests
<math>V=\sum_{j=1}^{k}\frac{\left(H_{j}-n\cdot p_{j}\right)^{2}}{n\cdot p_{j}}</math>
verwendet.
Sie ist bei Gültigkeit der [[Nullhypothese]] [[Approximation|approximativ]] [[Chi-Quadrat-Verteilung|Chi-Quadrat-verteilt]], da wegen <math>n\cdot p_{j}=40>5</math> für alle <math>j=1,\ldots ,6</math> die [[Approximation]]sbedingungen erfüllt sind.
Die [[diskrete Gleichverteilung]] ist eine vollständig spezifizierte [[Verteilung (stochastisch)|Verteilung]], d.h. es ist kein [[Parameter]] aus der [[Stichprobe]] zu [[Schätzung|schätzen]], womit <math>m = 0</math> ist.
Die Anzahl der Werte ist <math>k = 6</math>. Damit resultiert für die Anzahl der [[Freiheitsgrad]]e: <math>f = k - m - 1 = 5</math>.
Für <math>P\left( V\leq c\right) =1-\alpha =0,9</math> und <math>f = 5</math> findet man in der Tabelle der [[Verteilungsfunktion (stochastisch, eindimensional)|Verteilungsfunktion]] der [[Chi-Quadrat-Verteilung]] den [[Kritischer Wert|kritischen Wert]] <math>c=\chi_{1-\alpha ;k-m -1}^{2}=\chi_{0,90;5}^{2}=9,24</math>.
Die [[Entscheidungsbereiche]] sind damit:
[[Ablehnungsbereich der Nullhypothese|Ablehnungsbereich der]] <math>H_{0}: \left\{v|v>9,24\right\}</math>
[[Nichtablehnungsbereich der Nullhypothese|Nichtablehnungsbereich der]] <math>H_{0}:\;\left\{ v|v\leq 9,24\right\}</math>.
====Prüfwert und Testentscheidung====
Der Würfel wird 240 mal geworfen. Dabei handelt es sich um eine [[einfache Zufallsstichprobe]], denn die Voraussetzung der [[Unabhängigkeit (stochastisch)|Unabhängigkeit]] der Würfe ist gegeben.
Spalte 2 der folgenden Tabelle enthält die beobachtete Anzahl der Augenzahlen <math>h_{j}</math>
{| border="1" cellpadding="3" style="text-align:center;margin:1em 1em 1em 0; background:#f9f9f9; border:1px #AAA solid; border-collapse:collapse; empty-cells:show;"
|align="center"|Augenzahl <math>x_{j}</math>
|align="center"|beobachtete Anzahl <math>h_{j}</math>
|align="center"|unter <math>H_{0}</math> erwartete Anzahl <math>n\cdot p_{j}</math>
|align="center"|<math>h_{j}-n\cdot p_{j}</math>
|align="center"|<math>\left( h_{j}-n\cdot p_{j}\right)^{2}</math>
|align="center"|<math>\frac{\left( h_{j}-n\cdot p_{j}\right)^{2}}{n\cdot p_{j}}</math>
|-
|align="center"|1
|align="center"|52
|align="center"|40
|align="center"|12
|align="center"|144
|align="center"|3,6
|-
|align="center"|2
|align="center"|50
|align="center"|40
|align="center"|10
|align="center"|100
|align="center"|2,5
|-
|align="center"|3
|align="center"|32
|align="center"|40
|align="center"|-8
|align="center"|64
|align="center"|1,6
|-
|align="center"|4
|align="center"|36
|align="center"|40
|align="center"|-4
|align="center"|16
|align="center"|0,4
|-
|align="center"|5
|align="center"|32
|align="center"|40
|align="center"|-8
|align="center"|64
|align="center"|1,6
|-
|align="center"|6
|align="center"|38
|align="center"|40
|align="center"|-2
|align="center"|4
|align="center"|0,2
|}
Abweichungen zwischen den beobachteten Anzahlen und den unter <math>H_{0}</math> erwarteten Anzahlen sind gegeben.
Können diese Abweichungen noch als zufällig angesehen werden, wenn es sich um einen fairen Würfel handeln soll?
Der [[Prüfwert]] ergibt sich als Summe der Werte in der letzten Spalte: <math>v = 9,8</math>
Da <math>v</math> in den [[Ablehnungsbereich der Nullhypothese|Ablehnungsbereich der <math>H_{0}</math>]] fällt, wird die [[Nullhypothese]]
abgelehnt <math>(\mbox{''}H_{1}\mbox{''})</math>.
Auf einem [[Signifikanzniveau]] von <math>\alpha=0,1</math> und basierend auf einer [[Stichprobenumfang|Zufallsstichprobe vom Umfang]] <math>n = 240</math> konnte [[Statistik|statistisch]] bewiesen werden, dass die [[Verteilung (stochastisch)|Verteilung]] der [[Zufallsvariable]]n <math>X\;</math>: "Geworfene Augenzahl des Würfels" keiner [[Diskrete Gleichverteilung|diskreten Gleichverteilung]] entspricht, d.h. der vorliegende Würfel kein fairer Würfel ist.
Bei dieser Entscheidung besteht die Möglichkeit, einen [[Fehler 1. Art]] <math>(\mbox{''}H_{1}\mbox{''}|H_{0})</math> zu begehen, wenn in Wirklichkeit die [[Nullhypothese]] richtig ist.
Die [[Wahrscheinlichkeit]] für einen [[Fehler 1. Art]] entspricht dem vorgegebenen [[Signifikanzniveau]] <math>\alpha = 0,1</math>.


===Produktnachfrage (1. Version)===
===Produktnachfrage (1. Version)===

Version vom 22. November 2018, 15:04 Uhr

Testtheorie

Grundbegriffe der Testtheorie • Entscheidungsbereiche • Entscheidungssituationen • Zweiseitiger Test • Einseitiger Test • Gütefunktion • Test auf Mittelwert • Gauß-Test • Gütefunktion des Gauß-Tests • Einstichproben-t-Test • Test auf Anteilswert • Test auf Differenz zweier Mittelwerte • Zweistichproben-Gauß-Test • Zweistichproben-t-Test • Chi-Quadrat-Anpassungstest • Chi-Quadrat-Unabhängigkeitstest • Multiple Choice • Video • Aufgaben • Lösungen
Ablehnungsbereich der Nullhypothese • alpha-Fehler • Alternativhypothese • Anpassungstest • beta-Fehler • Entscheidungsbereiche (Chi-Quadrat-Anpassungstest) • Entscheidungsbereiche (Chi-Quadrat-Unabhängigkeitstest) • Entscheidungsbereiche (Einstichproben-t-Test) • Entscheidungsbereiche (Gauß-Test) • Entscheidungsbereiche (Test auf Anteilswert) • Entscheidungsbereiche (Zweistichproben-Gauß-Test) • Entscheidungsbereiche (Zweistichproben-t-Test) • Entscheidungssituationen (Chi-Quadrat-Anpassungstest) • Entscheidungssituationen (Chi-Quadrat-Unabhängigkeitstest) • Entscheidungssituationen (Einstichproben-t-Test) • Entscheidungssituationen (Gauß-Test) • Entscheidungssituationen (Test auf Anteilswert) • Entscheidungssituationen (Zweistichproben-Gauß-Test) • Entscheidungssituationen (Zweistichproben-t-Test) • Fehler 1. Art • Fehler 2. Art • Goodness-of-fit-Test • Gütefunktion des Tests auf Anteilswert • Hypothese • Kritischer Wert • Linksseitiger Test • Macht eines Tests • Nichtablehnungsbereich der Nullhypothese • Nullhypothese • OC-Kurve • Operationscharakteristik • Parametertest • Prüfgröße • Prüfwert • Prüfwert (Chi-Quadrat-Anpassungstest) • Prüfwert (Chi-Quadrat-Unabhängigkeitstest) • Prüfwert (Einstichproben-t-Test) • Prüfwert (Gauß-Test) • Prüfwert (Test auf Anteilswert) • Prüfwert (Zweistichproben-Gauß-Test) • Prüfwert (Zweistichproben-t-Test) • Rechtsseitiger Test • Signifikanzniveau • Statistischer Test • Testgröße • Teststatistik • Teststatistik (Chi-Quadrat-Anpassungstest) • Teststatistik (Chi-Quadrat-Unabhängigkeitstest) • Teststatistik (Einstichproben-t-Test) • Teststatistik (Gauß-Test) • Teststatistik (Test auf Anteilswert) • Teststatistik (Zweistichproben-Gauß-Test) • Teststatistik (Zweistichproben-t-Test) • Verteilungstest • Zweistichprobentest

Unterseiten

Beispiel: Würfel  • Beispiel: Produktnachfrage (1.Version) • Produktnachfrage (2.Version)

Grundbegriffe

Anpassungstest, Verteilungstest oder Goodness-of-fit-Test

Bei diesem Test wird eine Hypothese über die unbekannte Verteilung der Zufallsvariablen in der Grundgesamtheit geprüft, woraus sich der Name Anpassungstest, Verteilungstest oder Goodness-of-fit-Test ergibt.

Anpassungstests gehören zu den nichtparametrischen Tests.

Es gibt eine ganze Reihe von Anpassungstests, von denen hier nur der Chi-Quadrat-Anpassungstest behandelt wird.

Die generelle Vorgehensweise bei Anpassungstests ist im Prinzip wie bei den Parametertests.

Es wird eine Teststatistik konstruiert, die die Information über die hypothetische Verteilung sowie die Verteilung in der Zufallsstichprobe enthält und auf deren Basis eine Aussage über die Nullhypothese möglich ist.

Die Verteilung der Teststatistik muss unter der Nullhypothese (zumindest approximativ) bekannt sein.

Auch bei Anpassungstests wird stets die Nullhypothese statistisch geprüft und in Abhängigkeit von der Testentscheidung besteht die Möglichkeit, einen Fehler 1. Art mit der Wahrscheinlichkeit bzw. einen Fehler 2. Art mit der Wahrscheinlichkeit zu begehen.

Mit dem vorgegebenen Signifikanzniveau kann die Wahrscheinlichkeit eines Fehlers 1. Art niedrig gehalten werden; die Wahrscheinlichkeit eines Fehlers 2. Art ist dagegen in der Regel nicht bekannt.

Man wird deshalb bestrebt sein, die Nullhypothese abzulehnen, da dann die statistische Sicherheit einer Fehlentscheidung bekannt ist.

Wenn die hypothetische Verteilung die wahre Verteilung in der Grundgesamtheit ist, dann ist zu erwarten, dass diese Verteilung im Prinzip auch in der Stichprobe zu beobachten ist.

Im Prinzip bedeutet dabei, dass Abweichungen zwischen der beobachteten Verteilung in der Stichprobe und der unter der Verteilungsannahme erwarteten Verteilung in der Stichprobe in der Regel immer auftreten werden.

Zu entscheiden ist, ob die Abweichungen noch zufallsbedingt sind oder ob es sich um signifikante Abweichungen handelt.

Um die erwartete Verteilung in der Stichprobe ermitteln zu können, muss unter der Nullhypothese angenommen werden, dass genau die hypothetische Verteilung die wahre Verteilung in der Grundgesamtheit ist.

Damit lautet das Hypothesenpaar stets:

Die Zufallsvariable in der Grundgesamtheit weist die hypothetische Verteilung auf.

Die Zufallsvariable in der Grundgesamtheit weist eine andere als die hypothetische Verteilung auf.

Große Abweichungen zwischen der beobachteten Verteilung und der erwarteten Verteilung in der Stichprobe deuten tendenziell auf eine falsche Verteilungsannahme hin, d.h. man wird die Nullhypothese ablehnen.

Chi-Quadrat-Anpassungstest

Der Chi-Quadrat-Anpassungstest basiert auf einer einfachen Zufallsstichprobe vom vorgegebenen Umfang . Das Signifikanzniveau ist vor der Testdurchführung festzulegen.

Gegeben ist eine Zufallsvariable in der Grundgesamtheit mit der Verteilung , wobei an das Skalenniveau von keine Voraussetzungen gestellt werden.

Die Verteilung ist unbekannt. Es existiert jedoch eine Annahme, dass die hypothetische Verteilung besitzt.

Ist eine diskrete Zufallsvariable (darunter werden im weiteren summarisch nominalskalierte, ordinalskalierte sowie diskrete Zufallsvariablen mit sehr wenigen Ausprägungen verstanden), kann sie die Werte annehmen.

Es bezeichne:

  • die Wahrscheinlichkeit, dass die Zufallsvariable den Wert annimmt, .

Ist eine stetige Zufallsvariable (darunter werden im weiteren auch die diskreten Zufallsvariablen mit sehr vielen bzw. unendlich vielen Ausprägungen, d.h. die genannten quasi-stetigen Zufallsvariablen, gefasst), muss eine Intervallbildung der beobachteten Werte in disjunkte, aneinander angrenzende Klassen erfolgen.

Mit als Anzahl der Klassen können die Klassen allgemein wie folgt geschrieben werden:

, für .

Es bezeichne im stetigen Fall:

  • die beobachtete absolute Häufigkeit der j-ten Klasse in der Stichprobe, ,
  • die Wahrscheinlichkeit, dass die Zufallsvariable einen Wert aus der Klasse annimmt .

Die Nullhypothese lautet beim Anpassungstest immer, dass die Zufallsvariable in der Grundgesamtheit die hypothetische Verteilung aufweist. Die Alternativhypothese enthält das logische Pendant.

Das dem Chi-Quadrat-Anpassungstest zugrundeliegende Hypothesenpaar lautet speziell:

  • wenn diskret ist
für mindestens ein
  • wenn stetig ist
für mindestens ein

Dabei bezeichnet sowohl im diskreten als auch im stetigen Fall die Wahrscheinlichkeit, dass die Zufallsvariable den Wert annimmt bzw. in die j-te Klasse fällt, wenn die hypothetische Verteilung zugrundegelegt wird, d.h. wenn die Nullhypothese gilt:

Die können bestimmt werden durch die Vorgabe

Beispiel: Die Annahme besagt, dass die Zufallsvariable eine Poisson-Verteilung mit vorgegebenem Parameter besitzt.
Beispiel: Die Annahme besagt, dass die Zufallsvariable eine Normalverteilung mit unbekanntem Erwartungswert und unbekannter Standardabweichung aufweist, so dass diese beiden Parameter erst aus der Stichprobe zu schätzen sind.
Beispiel: Die Zufallsvariable habe vier mögliche Realisationen. Es wird angenommen, dass diese mit den fest vorgegebenen Wahrscheinlichkeiten bzw. relativen Häufigkeiten , , und auftreten.

Teststatistik des Chi-Quadrat-Anpassungstests

Der Chi-Quadrat-Anpassungstests basiert auf dem Vergleich der in der Stichprobe beobachteten Verteilung und der bei Gültigkeit der Nullhypothese in der Stichprobe erwarteten Verteilung.

Für die Bestimmung der Teststatistik des Chi-Quadrat-Anpassungstests wird von den absoluten Häufigkeiten ausgegangen.

Für die konkrete Stichprobe wird die Anzahl festgestellt, dass das Ereignis bzw. eingetreten ist.

Mit den absoluten Häufigkeiten für alle ist die in der Stichprobe beobachtete Verteilung gegeben. Da die absoluten Häufigkeiten Ergebnis eines Zufallsexperimentes sind, können sie von Stichprobe zu Stichprobe unterschiedliche Werte annehmen, d.h. sie sind Realisationen von Zufallsvariablen .

Wenn die Nullhypothese gilt, sind die in der Stichprobe erwarteten relativen Häufigkeiten durch die Wahrscheinlichkeiten gegeben.

Für die erwarteten absoluten Häufigkeiten folgt: .

Der Vergleich zwischen beobachteter und erwarteter Verteilung baut auf den Differenzen auf. Große Differenzen sprechen tendenziell gegen die Nullhypothese und deuten auf eine falsche Verteilungsannahme hin.

Eine summarische Größe, die die Abweichung von der Nullhypothese bewertet, ist die Teststatistik

Bei Gültigkeit der Nullhypothese ist die Teststatistik approximativ Chi-Quadrat-verteilt mit Freiheitsgraden. Dies gilt unabhängig davon, welche Verteilung unter angenommen wurde.

Approximationsvoraussetzungen:

Die Approximation an die Chi-Quadrat-Verteilung ist hinreichend, wenn

  • für alle und

gilt.

Sind diese Bedingungen nicht erfüllt, müssen vor der Anwendung des Tests benachbarte Werte bzw. Klassen zusammengefasst werden.

Da die unter vorgegeben sind, folgt außerdem aus den Approximationsvoraussetzungen, dass die Approximation um so besser ist, je größer der Stichprobenumfang ist.

Bei der Bestimmung der Anzahl der Freiheitsgrade ist zu berücksichtigen, dass:

  • die Anzahl der verbliebenen Werte bzw. Klassen nach einer eventuell notwendigen Zusammenfassung ist,
  • die Anzahl der unbekannten und aus der Stichprobe zu schätzenden Parameter der hypothetischen Verteilung bezeichnet (wenn unter eine vollständig spezifizierte Verteilung vorgegeben wurde, ist ).

Da in der Teststatistik die Terme nur positive Werte annehmen können, nimmt die Teststatistik ebenfalls nur positive Werte an.

Große Abweichungen zwischen beobachteter und erwarteter Verteilung führen zu großen Werten von .

Somit führen nur große Werte von zur Ablehnung der , während kleine Werte von nicht gegen die Nullhypothese sprechen, sondern auf eine gute Übereinstimmung hindeuten.

Der Chi-Quadrat-Anpassungstest ist somit ein rechtsseitiger Test.

Der kritische Wert wird für und die Anzahl der Freiheitsgrade aus der Tabelle der Verteilungsfunktion der Chi-Quadrat-Verteilung entnommen.

Entscheidungsbereiche des Chi-Quadrat-Anpassungstests

Die Entscheidungsbereiche des Chi-Quadrat-Anpassungstests sind:

  • Ablehnungsbereich der .

Die Wahrscheinlichkeit, dass die Teststatistik eine Realisation aus dem Ablehnungsbereich der annimmt, entspricht dem vorgegebenen Signifikanzniveau .

Die Wahrscheinlichkeit, dass die Teststatistik eine Realisation aus dem Nichtablehnungsbereich der annimmt, ist .

<R output="display">

pdf(rpdf,width=7,height=7)

curve(from=0, to=35, dchisq(x, df=10), xaxt="n", ylab="f(v)", xlab="", col="red", ylim=c(0.0,0.12), lty=1, lwd=4, font.lab=2, "xaxs"="i" ,"yaxs"="i", bty="l") abline(v=20, col="black", lwd=3, lty=1) text(21, 0.003, expression(alpha), col = "black", cex=2) text(9, 0.04, expression(paste("1-", alpha)), col = "black", cex=2) text(20, -0.0014, , col = "black", cex=1.7) axis( side=1, at=c(20, 35), labels=c(expression(paste(chi^2, ""[1-alpha], ""[";"], ""[f])), "v"), tick=FALSE, cex.axis=1.5)

</R>

Nichtablehnungsbereich der | Ablehnungsbereich der

Prüfwert des Chi-Quadrat-Anpassungstests

Wenn die Zufallsstichprobe vom Umfang gezogen wurde, können die absoluten Häufigkeiten ermittelt, gegebenenfalls unbekannte Parameter der hypothetischen Verteilung geschätzt und die erwarteten Häufigkeiten berechnet werden.

Einsetzen in die Teststatistik führt zu einem Prüfwert des Chi-Quadrat-Anpassungstests .

Entscheidungssituationen des Chi-Quadrat-Anpassungstests

Es konnte statistisch gezeigt werden, dass die Verteilung der Zufallsvariablen in der Grundgesamtheit nicht der hypothetischen Verteilung entspricht.
Bei dieser Entscheidung besteht die Möglichkeit, einen Fehler 1. Art () zu begehen, wenn in Wirklichkeit die Nullhypothese richtig ist.
Die Wahrscheinlichkeit für einen Fehler 1. Art entspricht dem vorgegebenen Signifikanzniveau .
Es konnte statistisch nicht gezeigt werden, dass die wahre Verteilung in der Grundgesamtheit von der hypothetischen Verteilung abweicht.
Das bedeutet jedoch nicht, dass die wahre Verteilung tatsächlich die hypothetische Verteilung ist. Das Stichprobenergebnis gibt nur keine Veranlassung, zu verwerfen.
Bei dieser Entscheidung besteht die Möglichkeit, einen Fehler 2. Art zu begehen, wenn in Wirklichkeit die Alternativhypothese richtig ist.

Zusatzinformationen

Notwendigkeit der Klassierung bei stetigen Zufallsvariablen

Das dem Chi-Quadrat-Anpassungstest zugrundeliegende Hypothesenpaar enthält die Wahrscheinlichkeiten , die aus der hypothetischen Verteilung zu bestimmen sind.

Ist eine diskrete Zufallsvariable, erhält man aus der vorgegebenen Wahrscheinlichkeitsfunktion.

Für eine stetige Zufallsvariable ist die Wahrscheinlichkeit, dass einen bestimmten Wert annimmt, jedoch stets Null.

Daraus folgt die Notwendigkeit einer Klassierung der beobachteten Werte. Die Wahrscheinlichkeit , dass die stetige Zufallsvariable einen Wert aus der Klasse annimmt, kann dann mittels der vorgegebenen Verteilungsfunktion bestimmt werden.

Es sei jedoch angemerkt, dass auch für eine diskrete Zufallsvariable eine Klassierung vorgenommen werden kann, falls es die Problemstellung erfordert.

Herleitung der Teststatistik des Chi-Quadrat-Anpassungstests

Die Tatsache, dass die beobachteten absoluten Häufigkeiten Zufallsvariablen sind, lässt sich wie folgt zeigen, wobei es keine Rolle spielt, ob diskret oder stetig ist, so dass nur auf eine diskrete Zufallsvariable Bezug genommen wird.

Aus der Grundgesamtheit wird ein Element zufällig gezogen und festgestellt, ob der Wert aufgetreten ist, d.h. ob das Ereignis eingetreten ist oder nicht.

Es gibt somit nur zwei mögliche Ergebnisse des Zufallsexperimentes. Die Wahrscheinlichkeit für das Eintreten des Ereignisses beträgt bei Gültigkeit der Nullhypothese und die Wahrscheinlichkeit für das Nichteintreten .

Das Zufallsexperiment wird -mal wiederholt, wobei die einzelnen Versuche unabhängig voneinander (da eine einfache Zufallsstichprobe vorausgesetzt wird) und die Wahrscheinlichkeiten konstant sind. Es liegt somit ein Bernoulli-Experiment vor.

Bei -maliger Durchführung der Versuche interessiert die Gesamtzahl des Eintretens von , d.h. die absolute Häufigkeit von in der Stichprobe.

Diese Häufigkeit kann von Stichprobe zu Stichprobe unterschiedlich sein, so dass Anzahl des Auftretens von in einer einfachen Zufallsstichprobe vom Umfang eine diskrete Zufallsvariable ist, die die Werte annehmen kann.

Die Zufallsvariable ist binomialverteilt und zwar bei Gültigkeit von mit den Parametern und .

Der Erwartungswert von ist und damit die bei Gültigkeit der erwartete absolute Häufigkeit des Wertes in der Stichprobe.

Die Variation der absoluten Häufigkeiten für wird durch die Varianz erfasst.

Für die Konstruktion der Teststatistik wird die Abweichung der Zufallsvariablen von ihrem Erwartungswert gebildet: .

Zur Vermeidung, dass sich positive und negative Abweichungen aufheben, erfolgt eine Quadrierung: .

Mit der Division durch die erwartete Häufigkeit wird der Einfluss des Stichprobenumfanges und der Wahrscheinlichkeit berücksichtigt und der unterschiedlichen Bedeutung der Abweichungen Rechnung getragen.

Eine Differenz fällt bei stärker ins Gewicht als bei .

Diese Herleitung gilt für alle gleichermaßen

Da die Zufallsvariablen sind, ist auch eine Zufallsvariable. Bei Gültigkeit der Nullhypothese, hinreichend großem Stichprobenumfang und Einhaltung der Approximationsbedingungen ist die Teststatistik approximativ Chi-Quadrat-verteilt mit Freiheitsgraden.

Dies gilt unabhängig davon, welche Verteilung unter angenommen wurde.

Sind die Approximationsbedingungen nicht erfüllt, müssen vor der Anwendung des Tests benachbarte Werte bzw. Klassen zusammengefasst werden, was dann auch im diskreten Fall mit einer Klassierung verbunden ist.

Bei der Ermittlung der Freiheitsgrade ist zu berücksichtigen, dass ein Freiheitsgrad grundsätzlich verloren geht, weil die beobachteten absoluten Häufigkeiten nicht unabhängig voneinander sind.

Für vorgegebenen Stichprobenumfang und aufgrund der Bedingung folgt, dass jede Häufigkeit durch die anderen Häufigkeiten bestimmt ist.

Weitere Freiheitsgrade gehen verloren, wenn die hypothetische Verteilung nicht mit allen ihren Parametern bekannt ist, sondern diese Parameter aus der Stichprobe geschätzt werden müssen.

Mit als Anzahl der zu schätzenden Parameter ergibt sich die Anzahl der Freiheitsgrade zu: .

Beispiele

Produktnachfrage (1. Version)

Eine Vertriebsgesellschaft führt eine umfassende Analyse ihrer Geschäftsaktivitäten durch, worunter auch die tägliche Nachfrage nach einem ihrer Spezialprodukte fällt.

In diesem Zusammenhang ist von besonderem Interesse, welche Verteilung die Anzahl der täglich nachgefragten Produkte aufweist.

Bei der Nachfrage nach dem Produkt handelt es sich um ein Ereignis, dass wiederholt, jedoch zufällig und unabhängig voneinander in einem Kontinuum (hier: Zeit) vorgegebenen Umfangs (hier: Tag) auftreten kann.

Die Zufallsvariable bezeichne die Anzahl der täglich nachgefragten Produkte und ist diskret.

Es wird somit vermutet (vgl. Abschnitt "Poisson-Verteilung"), dass die Poisson-Verteilung ein adäquates Verteilungsmodell ist: .

Der Test soll auf einem Signifikanzniveau von durchgeführt werden. Eine einfache Zufallsstichprobe von Tagen lieferte die beobachteten Daten, die in den Spalten 2 und 3 der Tabelle 1 enthalten sind.

Ein langjähriger Mitarbeiter der Firma vermutet aufgrund seiner Erfahrung, dass im Mittel neun Produkte an den 5 Werktagen einer Woche nachgefragt werden.

Da für den Erwartungswert der Poisson-Verteilung gilt und als Zeitintervall ein Tag betrachtet wird, ist und es wird folgendes Hypothesenpaar formuliert:

ist Poisson-verteilt mit dem Parameter , d.h.

ist nicht -verteilt.

In den Spalten 4 und 5 der Tabelle 1 sind die unter erwarteten Wahrscheinlichkeiten (die aus der Tabelle der entnommen wurden) sowie die erwarteten absoluten Häufigkeiten enthalten.

Tabelle 1

Anzahl nachgefragter

Produkte (

Anzahl der Tage mit

nachgefragten Produkten

1 0 3 0,1653 8,265
2 1 9 0,2975 14,875
3 2 14 0,2678 13,390
4 3 13 0,1607 8,035
5 4 6 0,0723 3,615
6 5 5 0,0260 1,300
7 6 und mehr 0 0,0104 0,520

Teststatistik und Entscheidungsbereiche

Es wird die Teststatistik des Chi-Quadrat-Anpassungstests

verwendet. Sie ist bei Gültigkeit der Nullhypothese approximativ Chi-Quadrat-verteilt mit Freiheitsgraden.

Überprüfung der Approximationsbedingungen:

Wie aus der Spalte 5 der Tabelle 1 ersichtlich, ist für die Realisationen und die Approximationsbedingung und für die Realisation und mehr sogar die Bedingung nicht erfüllt, so dass diese 3 Realisationen zusammengefasst werden.

Bestimmung der Anzahl der Freiheitsgrade:

Nach der Zusammenfassung verbleiben noch Klassen. Die Poisson-Verteilung wurde als eine vollständig spezifizierte Verteilung vorgeben, d.h. es ist kein Parameter aus der Stichprobe zu schätzen, womit ist. Damit ist .

Unter ist die Teststatistik approximativ Chi-Quadrat-verteilt mit Freiheitsgraden.

Für und findet man in der Tabelle der Verteilungsfunktion der Chi-Quadrat-Verteilung den kritischen Wert .

Die Entscheidungsbereiche sind damit:

Ablehnungsbereich der

Nichtablehnungsbereich der .

Prüfwert und Testentscheidung

Die Tabelle 2 enthält alle notwendigen Zwischenergebnisse für die Berechnung des Prüfwertes.

Tabelle 2

0 3 8,265 -5,265 27,7202 3,3539
1 9 14,875 -5,875 34,5156 2,3204
2 14 13,390 0,610 0,3721 0,0278
3 13 8,035 4,965 24,6512 3,0680
4 und mehr 11 5,435 5,565 30,9692 5,6981

Der Prüfwert ergibt sich als Summe der Werte in der letzten Spalte: .

Da in den Ablehnungsbereich der fällt, wird die Nullhypothese abgelehnt .

Auf einem Signifikanzniveau von und basierend auf einer Zufallsstichprobe vom Umfang konnte statistisch bewiesen werden, dass die Verteilung der Zufallsvariablen : "Anzahl der täglich nachgefragten Produkte" nicht eine ist.

Das bedeutet jedoch nicht, dass das Verteilungsmodell der Poisson-Verteilung damit grundsätzlich verworfen wird, sondern nur dass die spezielle Poisson-Verteilung nicht als die geeignete Verteilung anzusehen ist.

Bei dieser Entscheidung für besteht die Möglichkeit, einen Fehler 1. Art zu begehen, wenn in Wirklichkeit die Nullhypothese richtig ist.

Die Wahrscheinlichkeit für einen Fehler 1. Art entspricht dem vorgegebenen Signifikanzniveau .

Produktnachfrage (2. Version)

Eine Vertriebsgesellschaft führt eine umfassende Analyse ihrer Geschäftsaktivitäten durch, worunter auch die tägliche Nachfrage nach einem ihrer Spezialprodukte fällt.

In diesem Zusammenhang ist von besonderem Interesse, welche Verteilung die Anzahl der täglich nachgefragten Produkte aufweist.

Bei der Nachfrage nach dem Produkt handelt es sich um ein Ereignis, dass wiederholt, jedoch zufällig und unabhängig voneinander in einem Kontinuum (hier: Zeit) vorgegebenen Umfangs (hier: Tag) auftreten kann.

Die Zufallsvariable bezeichne die Anzahl der täglich nachgefragten Produkte und ist diskret.

Es wird somit vermutet (vgl. Abschnitt "Poisson-Verteilung"), dass die Poisson-Verteilung ein adäquates Verteilungsmodell ist: .

Der Test soll auf einem Signifikanzniveau von durchgeführt werden. Eine einfache Zufallsstichprobe von Tagen lieferte die beobachteten Daten, die in den Spalten 2 und 3 der Tabelle 1 enthalten sind.

Es wird auch bei dieser Version vermutet, dass die Poisson-Verteilung ein adäquates Verteilungsmodell ist: .

Es liegen jedoch keine Erkenntnisse bzw. Erfahrungen über den Parameter vor. Der unbekannte Parameter muss aus der Stichprobe geschätzt werden.

Es wird die Zufallsstichprobe vom Umfang aus der 1. Version verwendet. Wegen ist der Stichprobenmittelwert

eine geeignete Schätzfunktion. Als gewogenes arithmetisches Mittel aus der Stichprobe resultiert: .

Das Hypothesenpaar lautet damit:

ist Poisson-verteilt mit dem Parameter , d.h.

ist nicht -verteilt.

In den Spalten 4 und 5 der Tabelle 3 sind die unter geschätzten hypothetischen Wahrscheinlichkeiten (die aus der Tabelle der entnommen wurden) und absoluten Häufigkeiten enthalten.

Tabelle 3

Anzahl nachgefragter

Produkte

Anzahl der Tage mit

nachgefragten Produkten

1 0 3 0,0821 4,105
2 1 9 0,2052 10,260
3 2 14 0,2565 12,825
4 3 13 0,2138 10,690
5 4 6 0,1336 6,680
6 5 5 0,0668 3,340
7 6 und mehr 0 0,0420 2,100

Teststatistik und Entscheidungsbereiche

Es wird wieder die Teststatistik

verwendet, die bei Gültigkeit der Nullhypothese approximativ Chi-Quadrat-verteilt mit Freiheitsgraden ist.

Überprüfung der Approximationsbedingungen:

Wie aus der Spalte 5 der Tabelle 3 ersichtlich, ist für die Realisation die Approximationsbedingung nicht erfüllt, so dass sie mit zusammengefasst wird.

Weiterhin ist für die Realisationen und und mehr die Approximationsbedingung nicht erfüllt, so dass diese beiden Realisationen zusammengefasst werden.

Bestimmung der Anzahl der Freiheitsgrade:

Nach der Zusammenfassung verbleiben noch Klassen. Da der Parameter aus der Stichprobe geschätzt werden musste, ist und somit .

Unter ist die Teststatistik approximativ Chi-Quadrat-verteilt mit Freiheitsgraden.

Für und findet man in der Tabelle der Verteilungsfunktion der Chi-Quadrat-Verteilung den kritischen Wert .

Die Entscheidungsbereiche sind damit:

Ablehnungsbereich der

Nichtablehnungsbereich der .

Prüfwert und Testentscheidung

Die Tabelle 4 enthält alle notwendigen Zwischenergebnisse für die Berechnung des Prüfwertes

Tabelle 4

0-1 12 14,365 -2,365 5,5932 0,3894
2 14 12,825 1,175 1,3806 0,1076
3 13 10,690 2,310 5,3361 0,4992
4 6 6,680 -0,680 0,4624 0,0692
5 und mehr 5 5,440 -0,440 0,1936 0,0356

Der Prüfwert ergibt sich als Summe der Werte in der letzten Spalte: .

Da in den Nichtablehnungsbereich der fällt, wird die Nullhypothese nicht verworfen .

Basierend auf einer Zufallsstichprobe vom Umfang konnte statistisch nicht bewiesen werden, dass die Zufallsvariable "Anzahl der täglich nachgefragten Produkte" nicht einer folgt.

Bei dieser Entscheidung für besteht die Möglichkeit, einen Fehler 2. Art zu begehen, wenn in Wirklichkeit die Nullhypothese richtig ist.

Die Wahrscheinlichkeit für einen Fehler 2. Art ist jedoch unbekannt.