Binomialtest

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche

Ein Binomialtest ist ein statistischer Test, bei dem die Testgröße binomialverteilt ist. Er wird verwendet, um Hypothesen über Merkmale zu prüfen, die genau zwei Ausprägungen annehmen können (dichotome Merkmale).

Hypothesen und Teststatistik[Bearbeiten]

Mit dem Binomialtest können folgende Hypothesenpaare für die unbekannte Wahrscheinlichkeit p eines Merkmals in der Grundgesamtheit getestet werden:

Test H_0 H_1
zweiseitig p = p_0\, p \neq p_0
rechtsseitig p\leq p_0 p > p_0\,
linksseitig p\geq p_0 p < p_0\,

Die Teststatistik X gibt an, wie oft das Merkmal in einer zufälligen Stichprobe vom Umfang n aufgetreten ist. Unter der Nullhypothese H_0\colon p = p_0 ist die Teststatistik B(p_0,n)-verteilt, das heißt

P(X=i) = B(i|p_0,n) = \binom{n}{i} p_0^i (1-p_0)^{n-i}.

Signifikanzniveau und kritische Werte[Bearbeiten]

Teststatistik für den Binomialtest, die roten Balken gehören zum kritischen Bereich.

Da die Teststatistik diskret verteilt ist, kann das vorgegebene Signifikanzniveau \alpha in der Regel nicht eingehalten werden. Daher wird gefordert, die kritischen Werte so zu wählen, dass für ein möglichst großes exaktes Signifikanzniveau \alpha_\text{ex} gilt \alpha_\text{ex}\leq\alpha.

Für den zweiseitigen Test werden daher als kritische Werte das größte c_1 und das kleinste c_2 bestimmt werden, für die gilt

  • \sum_{i=0}^{c_1} B(i|p_0,n) \leq \alpha/2 und
  • \sum_{i=c_2}^n B(i|p_0,n) \leq \alpha/2.

Das exakte Signifikanzniveau ergibt sich als \alpha_\text{ex}=\sum_{i=0}^{c_1} B(i|p_0,n)+\sum_{i=c_2}^n B(i|p_0,n). Für die beiden einseitigen Tests wird analog verfahren.

Test Kritische Werte Kritischer Bereich Grenze(n)
zweiseitig c_1+1 und c_2-1 \{0,\dotsc,c_1\} \cup \{c_2,\dotsc,n\}
rechtsseitig c-1 \{c,\dotsc,n\} c = kleinster Wert, für den \sum_{i=c}^n B(i| p_0,n)= \alpha_\text{ex} \leq \alpha
linksseitig c+1 \{0,\dotsc,c\} c = größter Wert, für den \sum_{i=0}^{c} B(i| p_0,n)= \alpha_\text{ex} \leq \alpha

Approximation der Verteilung der Teststatistik[Bearbeiten]

Approximation einer Binomialverteilung mit einer Normalverteilung.

Die binomial verteilte Teststatistik kann mit einer anderen Verteilung approximiert werden. Die dafür notwendigen Approximationsbedingungen können je nach Literaturquelle variieren.

Verteilung Parameter Approximationsbedingungen
Poisson-Verteilung X\approx Po(\lambda) \lambda=np_0 n>10 und p_0<0{,}05
Normalverteilung X\approx N(\mu, \sigma^2) \mu=np_0 und \sigma^2=np_0(1-p_0) np_0(1-p_0)>9

Im Fall der Approximation der Normalverteilung kann statt der Teststatistik X auch gleich die Teststatistik \Pi=X/n\approx N\left(p_0, \tfrac{p_0(1-p_o)}{n}\right) betrachtet werden.

Beispiele[Bearbeiten]

  1. Hellseherische Fähigkeit versus Raten der Farbe einer zufällig gewählten Spielkarte (aus statistischer Test): Bei n-maliger Durchführung erreicht eine Testperson X Treffer (Farbe richtig genannt). Ab welcher Trefferzahl X sollte man die Nullhypothese H_0\colon p = \tfrac 14 verwerfen und die Alternativhypothese H_1\colon p>\tfrac 14 (also tatsächliche hellseherische Fähigkeit) für plausibler halten?[1] Wenn H_0 richtig ist, dann ist X binomialverteilt mit Parametern n und 1/4. Die Wahrscheinlichkeit, k oder mehr Treffer durch Raten zu erzielen, beträgt dann \sum_{i=k}^n B(i|\tfrac{1}{4},n). Bei einem Signifikanzniveau von 1 % verwirft man die Nullhypothese, falls X \geq c. Hier ist c der kleinste Wert, für den \sum_{i=c}^n B(i|\tfrac{1}{4},n) \leq 1% ist. Beispielsweise für n=100 ergibt sich c=36. Die Testperson müsste also unter den genannten Bedingungen mindestens bei 36 von 100 Versuchen richtig liegen, damit ihre hellseherischen Fähigkeiten für plausibel gehalten werden.
  2. In einer Multiple-Choice-Prüfung gibt es 50 Fragen und jeweils 4 Antwortmöglichkeiten, von denen jeweils genau eine richtig ist. Dies führt zur gleichen Fragestellung wie das Spielkartenbeispiel. Die Nullhypothese ist, dass ein Prüfling die Antwort zufällig ankreuzt (H_0\colon p = 1/4), und die Alternativhypothese ist H_1\colon p>1/4.[2] Diese Modellierung setzt allerdings voraus, dass es keine Möglichkeit gibt, gewisse Antworten als unplausibel auszuschließen.
  3. Eine Urne enthält 10 Kugeln, von denen jede weiß oder schwarz sein kann. Man möchte die Nullhypothese testen, dass alle Kugeln weiß sind (also H_0\colon p = 0), und zieht n Kugeln mit Zurücklegen. Die Alternativhypothese ist H_1\colon p>0 und man verwirft die Nullhypothese, sobald eine oder mehr schwarze Kugeln gezogen worden sind: Der Ablehnungsbereich ist \{1,\dotsc,n\}. Der Fehler 1. Art ist gleich 0, da unter der Nullhypothese keine schwarze Kugel gezogen werden kann. Der Ablehnungsbereich ist also offenbar unabhängig vom Signifikanzniveau. Der Fehler 2. Art ist maximal, falls genau eine schwarze Kugel vorhanden ist, und beträgt dann 0{,}9^n.
  4. (Gegenbeispiel) Gleiche Situation, aber Ziehen ohne Zurücklegen (es werden maximal n=10 Kugeln gezogen). Wie im vorigen Fall verschwindet der Fehler 1. Art. Der Fehler 2. Art bestimmt sich aber aus einer hypergeometrischen Verteilung. Er ist maximal für eine schwarze Kugel und beträgt dann (10-n)/n. Es handelt sich also nicht um einen Binomialtest.

Anmerkungen[Bearbeiten]

  1. Wir betrachten für p den Parameterbereich [1/4,1], um zu erreichen, dass Nullhypothese und Alternativhypothese den gesamten Parameterbereich überdecken. Bei absichtlichem Nennen einer falschen Farbe könnte man zwar auch auf hellseherische Fähigkeiten schließen, aber wir nehmen an, dass die Testperson eine möglichst hohe Trefferzahl erzielen will.
  2. Wie im Spielkartenbeispiel nehmen wir an, dass der Parameterbereich [1/4,1] ist (Prüfling möchte eine möglichst hohe Trefferzahl erreichen).

Literatur[Bearbeiten]

  • Henze, Norbert: Stochastik für Einsteiger. 8. Auflage. Vieweg, 2010.
  • Krengel, Ulrich: Einführung in die Wahrscheinlichkeitstheorie und Statistik. 8. Auflage. Vieweg, 2005.
  • Rinne, Horst: Taschenbuch der Statistik. 3. Auflage. Harri Deutsch, 2003.