1 ONDERSCHEIDINGSVERMOGEN
Voorbeeld: klein vlekje op
scherm en deelnemers moeten
zeggen waar ze heb gezien
hebben
Data: afstand echte
afstand van vlekje
aangeklikte positie
Pop: afstand tussen de 2
is normaal verdeeld
Standaardafwijking van
0,5
Onderzoeker zegt dat als
mensen met een bril dit
doen ze een
systematische fout
maken van 2mm.
Wanneer ze een
gemiddelde afwijking van 3mm of meer hebben is hun data
onbruikbaar en moeten ze worden
uitgesloten van het experiment
We doen het onderzoek bij 35 brildragers
Ho: brildragers hebben geen grotere
afwijking
Ha: brildragers hebben we een grotere
afwijking
Als het verschil
3mm is wordt de
nieuwe
steekproevenverdeling de blauwe
97% kans op een significante afwijking
,Stappen om onderscheidingsvermogen te berekenen
Eerst kijken naar wat er
gebeurt als de nulhypothese
klopt.
Kijken naar wat de kritieken
waarde betekent onder de
alternatieve hypothese.
Waarden verdeeld voor de
rode verdeling en nu gaan we
naar blauwe. We zien dat de
kritieke waarde bijna 2
standaardafwijkingen onder
het gem ligt
Indien het gemiddelde van de steekproef groter is dan 0,1386 kan je de
Ho verwerpen en kan je ervan uitgaan dat de groep van de steekproef
anders is (bv mensen met een bril).
Onderscheidingsvermogen: als het verschil er is hoe groot is dan de kans
dat je het gaat zien.
, Als de standaardafwijking wilt halveren moet je n maal 4 doen, dit is niet
handig in de praktijk. We hebben dus wel een impact op hoe ver de ze uit
elkaar doen maar het is niet altijd mogelijk.
2 INTERFERENTIE VOOR VERDELINGEN: T-TEST
T verdeling: hetzelfde conceptueel als de z verdeling en de normaal
verdeling
T=2 2 standaardafwijkingen boven het gemiddelde
2.1 INTERFERENTIE OVER VERWACHTINGEN VAN 1 POPULATIE
We gaan standaardiseren door het
populatie gem af te trekken en te
delen door de standaardafwijking van
de populatie. Als we dit doen krijgen
we een verdeling die lijkt op een
normaal verdeling.
We gaan kijken naar het verschil
tussen de sigma gekend en de sigma
geschat (standaardafwijking van de
steekproef)
Sigma gekend: hoger
Sigma geschat: dikkere staarten
- Dikkere staarten zijn niet handig want deze gebruiken we om
onze beslissingen te maken
- Je gaat vaker de Ho verwerpen wanneer ze wel waar is
- Dit is het probleem van het niet kennen van de sigma
Vrijheidsgraden (df): omvang van de steekproef min 1
Er niet zoiets als de t verdeling want je hebt altijd een andere df, hoe
groter de df hoe dichter de t verdeling in de buurt komt bij de normaal
verdeling (minder dikke staarten). Als de df groot genoeg is kunnen we
toch de normaal verdeling gebruiken. Als de omvang van de steekproeven
klein is moeten we het onderscheid wel maken.
Voorbeeld: klein vlekje op
scherm en deelnemers moeten
zeggen waar ze heb gezien
hebben
Data: afstand echte
afstand van vlekje
aangeklikte positie
Pop: afstand tussen de 2
is normaal verdeeld
Standaardafwijking van
0,5
Onderzoeker zegt dat als
mensen met een bril dit
doen ze een
systematische fout
maken van 2mm.
Wanneer ze een
gemiddelde afwijking van 3mm of meer hebben is hun data
onbruikbaar en moeten ze worden
uitgesloten van het experiment
We doen het onderzoek bij 35 brildragers
Ho: brildragers hebben geen grotere
afwijking
Ha: brildragers hebben we een grotere
afwijking
Als het verschil
3mm is wordt de
nieuwe
steekproevenverdeling de blauwe
97% kans op een significante afwijking
,Stappen om onderscheidingsvermogen te berekenen
Eerst kijken naar wat er
gebeurt als de nulhypothese
klopt.
Kijken naar wat de kritieken
waarde betekent onder de
alternatieve hypothese.
Waarden verdeeld voor de
rode verdeling en nu gaan we
naar blauwe. We zien dat de
kritieke waarde bijna 2
standaardafwijkingen onder
het gem ligt
Indien het gemiddelde van de steekproef groter is dan 0,1386 kan je de
Ho verwerpen en kan je ervan uitgaan dat de groep van de steekproef
anders is (bv mensen met een bril).
Onderscheidingsvermogen: als het verschil er is hoe groot is dan de kans
dat je het gaat zien.
, Als de standaardafwijking wilt halveren moet je n maal 4 doen, dit is niet
handig in de praktijk. We hebben dus wel een impact op hoe ver de ze uit
elkaar doen maar het is niet altijd mogelijk.
2 INTERFERENTIE VOOR VERDELINGEN: T-TEST
T verdeling: hetzelfde conceptueel als de z verdeling en de normaal
verdeling
T=2 2 standaardafwijkingen boven het gemiddelde
2.1 INTERFERENTIE OVER VERWACHTINGEN VAN 1 POPULATIE
We gaan standaardiseren door het
populatie gem af te trekken en te
delen door de standaardafwijking van
de populatie. Als we dit doen krijgen
we een verdeling die lijkt op een
normaal verdeling.
We gaan kijken naar het verschil
tussen de sigma gekend en de sigma
geschat (standaardafwijking van de
steekproef)
Sigma gekend: hoger
Sigma geschat: dikkere staarten
- Dikkere staarten zijn niet handig want deze gebruiken we om
onze beslissingen te maken
- Je gaat vaker de Ho verwerpen wanneer ze wel waar is
- Dit is het probleem van het niet kennen van de sigma
Vrijheidsgraden (df): omvang van de steekproef min 1
Er niet zoiets als de t verdeling want je hebt altijd een andere df, hoe
groter de df hoe dichter de t verdeling in de buurt komt bij de normaal
verdeling (minder dikke staarten). Als de df groot genoeg is kunnen we
toch de normaal verdeling gebruiken. Als de omvang van de steekproeven
klein is moeten we het onderscheid wel maken.
