Von der Normalverteilung zu z-werten und Konfidenzintervallen

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Von der Normalverteilung zu z-werten und Konfidenzintervallen"

Transkript

1 Von der Normalverteilung zu z-werten und Konfidenzintervallen Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg Statistik 1 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 1 / 50

2 Agenda Die Normalverteilung Zentrales Grenzwerttheorem z-werte Konfidenzintervalle S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 2 / 50

3 Die Normalverteilung Outline Die Normalverteilung Von der Binomialverteilung zur Normalverteilung Verschiedene Normalverteilungen Bedeutung der Normalverteilung Dichte Standardnormalverteilung Flächenanteile der Standardnormalverteilung Verteilungsfunktion Quantilsfunktion S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 3 / 50

4 Die Normalverteilung Von der Binomialverteilung zur Normalverteilung Von der Binomialverteilung zur Normalverteilung p = 0.5 Wahrscheinlichkeit [0, 1] k Eine Binomialverteilung: Jetzt stellen wir uns die Binomialverteilung mit folgenden Änderungen vor: Sehr vielen k, oder besser: k. Wir haben keine diskreten Stufen mehr, sondern stetige, dass heisst zwischen zwei Zahlen liegen unendlich viele weitere Zahlen, k R +. Dann wird aus den Stufen eine Linie. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 4 / 50

5 Die Normalverteilung Von der Binomialverteilung zur Normalverteilung Von der Binomial- zur Normalverteilung p = 0.5 Wahrscheinlichkeit [0, 1] Dichte k k S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 5 / 50

6 Die Normalverteilung Von der Binomialverteilung zur Normalverteilung Eigenschaften der Normalverteilung Wir erhalten eine glockenförmige, symmetrische, unimodale (eingipflige) Verteilung. Nähert sich links und rechts asymptotisch der x-achse. Unterscheiden sich bezüglich ihres Mittelwertes und ihrer Standardabweichung. Diese Verteilung wurde vom deutschen Mathematiker Carl Friedrich Gauß 1809 beschrieben. Sie heißt daher auch Gauß-Verteilung. Vorläufer sind Arbeiten zum Binomialkoeffizienten von Abraham de Moivre (1733) und Pierre-Simon Laplace (1782). S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 6 / 50

7 Die Normalverteilung Verschiedene Normalverteilungen Verschiedene Normalverteilungen µ = 16; σ = 0.5 Dichte Werte der Variablen µ = 15; σ = 1.2 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 7 / 50

8 Die Normalverteilung Bedeutung der Normalverteilung Bedeutung der Normalverteilung Sehr bedeutsame Verteilung für die Statistik. Für kontinuierliche Variablen. Bei unendlichem n (z. B. unendlichem Münzwurf) geht die Binomial in die Normalverteilung über. Viele Merkmale sind in der Bevölkerung/Population normalverteilt (Bsp. IQ), oder können ausreichend gut durch eine Normalverteilung beschrieben werden. Konvention: Populationsparameter wie Mittelwert und Standardabweichung werden mit griechischen Buchstaben bezeichnet: µ (sprich: mü) und σ (sprich: sigma). S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 8 / 50

9 Die Normalverteilung Dichte Dichte Im Gegensatz zu diskreten Variablen können Wahrscheinlichkeiten für stetige Variablen nicht direkt berechnet werden. Grund hierfür ist der Wertebereich: zwischen zwei reellen Zahlen liegen unendlich viele andere reelle Zahlen. Beispiel: Zwei Menschen sind nicht exakt gleich groß. Da der Ereignisraum unendlich groß ist, liegt die Wahrscheinlichkeit für ein Ereignis nahe bei Null. Die Wahrscheinlichkeit einer stetigen Zufallsvariable wird daher darüber bestimmt, wie wahrscheinlich es ist, dass diese Zahl in ein bestimmtes Intervall fällt. Dazu muss zunächst die Häufigkeitsverteilung der Variablen bestimmt werden: Diese nennt man Dichte bzw. Dichtefunktion. Die Fläche unter einer Dichteverteilung ist 1, bzw. 100%. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 9 / 50

10 Die Normalverteilung Dichte Dichte (Forts. 2) Die Wahrscheinlichkeit, dass eine stetige Zufallsvariable mit bekannter Verteilung in ein bestimmtes Intervall fällt, ist der Flächenanteil, der unterhalb der Dichteverteilung liegt. Flächenanteil unterhalb der Dichte ist gleich der Wahrscheinlichkeit, dass eine Zufallsvariable dieser Verteilung in diesem Intervall liegt. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 10 / 50

11 Die Normalverteilung Dichte Dichtefunktion der Normalverteilung Dichtefunktion der Normalverteilung Die Dichtefunktion der Normalverteilung ist definiert über: f(x) = 1 ] [ σ 2π exp (x µ)2 2σ 2 mit: < x < (1) wobei: f(x) Dichte an der Stelle x µ Populationsmittelwert σ Standardabweichung der Population π exp Exponentialfunktion e x mit e = S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 11 / 50

12 Die Normalverteilung Dichte Rechenbeispiel Dichte Für die normalverteilte Variable x = 14 N (µ = 15, σ = 1.2) soll die Dichte berechnet werden. Einsetzen: f(x) = 1 ] [ σ 2π exp (x µ)2 2σ 2 ] 1 (14 15)2 = 2π exp [ ( 2 = 0.33 exp 1 ) 2.88 = = 0.23 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 12 / 50

13 Die Normalverteilung Standardnormalverteilung Standardnormalverteilung Standardnormalverteilung Setzt man für µ = 0 und σ = 1 vereinfacht sich die Dichte der Normalverteilung zu: ] 1 (x 0)2 φ(x) = 2π exp [ = 1 ] exp [ x2 2π 2 (2) Diese Dichtefunktion nennt man Standardnormalverteilung. Jede normalverteilte Variable N (µ, σ) kann in die Standardnormalverteilung N (µ = 0, σ = 1) überführt werden. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 13 / 50

14 Die Normalverteilung Standardnormalverteilung Standardnormalverteilung µ = 0; σ = 1 Dichte -3σ -2σ -1σ 0 1σ 2σ 3σ z-werte S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 14 / 50

15 Die Normalverteilung Standardnormalverteilung Standardnormalverteilung µ = 0; σ = 1 Dichte 68.26% der Fläche -3σ -2σ -1σ 0 1σ 2σ 3σ z-werte [ ] 1 2π exp x2 2 dx 1 1 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 14 / 50

16 Die Normalverteilung Standardnormalverteilung Standardnormalverteilung µ = 0; σ = 1 Dichte 95.44% der Fläche -3σ -2σ -1σ 0 1σ 2σ 3σ z-werte [ ] 1 2π exp x2 2 dx 2 2 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 14 / 50

17 Die Normalverteilung Flächenanteile der Standardnormalverteilung Flächenanteile Da die Berechnung der Flächenanteile der Dichte verschiedener Verteilungen und damit der Wahrscheinlichkeiten für stetige Variablen i. d. R. sehr aufwendig ist, existieren für viele Verteilungen entsprechende Tabellen. Heuzutage können diese Flächenanteile auch mit Statistik- oder Tabellenkalkulationsprogrogrammen einfach bestimmt werden. Typischerweise sind die Flächen links vom Wert der Variablen tabelliert. Die Flächenanteile der Standardnormalverteilung sind tabelliert. Alle anderen normalverteilten Variablen müssen zunächst standardisiert werden, um die tabellierten Werte zu nutzen. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 15 / 50

18 Die Normalverteilung Flächenanteile der Standardnormalverteilung Flächenanteile der Standardnormalverteilung Angegeben sind die Flächenanteile links vom z-wert: z Fläche z Fläche z Fläche z Fläche z Fläche S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 16 / 50

19 Die Normalverteilung Flächenanteile der Standardnormalverteilung Bestimmung des Flächenanteils µ ± 1σ Wieviel Prozent der Messwerte der Standardnormalverteilung liegen im Bereich von ± einer Standardabweichung um den Mittelwert? Die Tabelle liefert für: F(z = 1) = F(z = 1) = Damit ist die Fläche im Bereich µ ± 1σ: Dies entspricht 68.26% der Fläche (unter Berücksichtigung der Rundungsungenauigkeiten). Da die Fläche unterhalb der Dichte als Wahrscheinlichkeit interpretiert werden kann, gilt äquivalent: p( 1 < z < 1) = S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 17 / 50

20 Die Normalverteilung Flächenanteile der Standardnormalverteilung Flächenanteile der Normalverteilung Für alle Normalverteilungen gilt: ± eine Standardabweichung um den Mittelwert liegen 68.24% aller Werte. ± zwei Standardabweichungen um den Mittelwert liegen 95.44% aller Werte. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 18 / 50

21 Die Normalverteilung Verteilungsfunktion Verteilungsfunktion Das Integral über die Dichtefunktion nennt man Verteilungsfunktion. Im englischen wird die Verteilungsfunktion als probability function (Wahrscheinlichkeitsfunktion) bezeichnet. Im diskreten Fall entspricht dies der Aufsummation. Die Verteilungsfunktion gibt an, wie wahrscheinlich es ist, dass eine Zufallsvariable kleiner oder gleich einem gegebenen Wert ist. Die rechnerische Bestimmung ist i. d. R. sehr aufwendig. Alle Statistikprogramme und einige Tabellenkalkulationsprogramme bieten aber entsprechende Funktionen zur Berechnung der Verteilungsfunktion vieler wichtiger Wahrscheinlichkeitsfunktionen an. Viele in der Statistik wichtige Funktionen sind in Tabellenwerken wiedergegeben. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 19 / 50

22 Die Normalverteilung Verteilungsfunktion Verteilungsfunktion bei N (µ = 0, σ = 1) 1.0 Wahrscheinlichkeit [0,1] z-werte S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 20 / 50

23 Die Normalverteilung Verteilungsfunktion Verteilungsfunktion bei N (µ = 15, σ = 1.2) 1.00 Wahrscheinlichkeit [0,1] Werte der Variablen S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 21 / 50

24 Die Normalverteilung Quantilsfunktion Quantilsfunktion In der Statistik ist auch oft von Interesse, welche Wahrscheinlichkeit einem bestimmen Wert entspricht. Dies ist das Inverse der Verteilungsfunktion und wird als Quantilsfunktion bezeichnet. Die Quantilsfunktion liefert also zu einem bestimmten Wahrscheinlichkeitswert (zwischen [0,1] bzw. 0 und 100%) den entsprechenden Wert der Variablen aus der Verteilung. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 22 / 50

25 Die Normalverteilung Quantilsfunktion Quantilsfunktion bei N (µ = 15, σ = 1.2) Quantilsfunktion bei µ = 15 und σ = 1.2 Werte der Variablen Wahrscheinlichkeit [0,1] S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 23 / 50

26 Zentrales Grenzwerttheorem Outline Zentrales Grenzwerttheorem Nicht-normalverteilte Population Simulation Zentrales Grenzwerttheorem S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 24 / 50

27 Zentrales Grenzwerttheorem Nicht-normalverteilte Population Nicht-normalverteilte Population Ein Merkmal y im Wertebereich 10 bis 60 ist gleichverteilt. Die Größe der Population beträgt N = Mittelwert: µ = S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 25 / 50

28 Zentrales Grenzwerttheorem Nicht-normalverteilte Population Histogramm Histogram of y Frequency y S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 26 / 50

29 Zentrales Grenzwerttheorem Simulation Simulation Nun ziehen wir m Zufallsstichproben der Größe n aus der Population und berechnen deren Mittelwert. Beispiel: Es werden 1000 Zufallsstichproben der Größe 15 gezogen. Damit m = 1000, n = 15. Wir haben damit 1000 Mittelwerte, die aus jeweils 15 zufälligen Einheiten der Population berechnet wurden. Aus diesen 1000 Mittelwerten wird wiederum der Mittelwert berechnet. Wie sieht die Verteilung der Mittelwerte aus? Was passiert? S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 27 / 50

30 Zentrales Grenzwerttheorem Simulation Mittelwertsverteilungen bei µ = m = 1000, n = 4 Mittelwert = m = 1000, n = 8 Mittelwert = Frequency Frequency Mittelwert Mittelwert Frequency m = 1000, n = 15 Mittelwert = Frequency m = 1000, n = 40 Mittelwert = Mittelwert Mittelwert S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 28 / 50

31 Zentrales Grenzwerttheorem Zentrales Grenzwerttheorem Zentrales Grenzwerttheorem Zentrales Grenzwerttheorem Die Verteilung von Mittelwerten aus Stichproben des Umfangs n, die derselben Grundgesamtheit entnommen wurden, geht mit wachsendem Stichprobenumfang in eine Normalverteilung über. Zitat aus Bortz und Schuster (2010, S. 86). S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 29 / 50

32 Zentrales Grenzwerttheorem Zentrales Grenzwerttheorem Standardfehler des Mittels Aus der Mittelwertsverteilung kann die Standardabweichung s berechnet werden. Man kann zeigen, dass die Varianz der Mittelwertsverteilung n mal kleiner ist als die Populationsvarianz. Standarddfehler des Mittels Allgemein kann die Varianz und Streuung der Mittelwertsverteilung berechnet werden über Varianz: ˆσ 2 x = s2 (3) n Standardabweichung: ˆσ x = s (4) n Die Standardabweichung der Mittelwertsverteilung wird als Standardfehler des Mittels bezeichnet. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 30 / 50

33 z-werte Outline z-werte Was sind z-werte? Berechnung von z-werten Anwendungsbeispiele Hinweise zur Interpretation S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 31 / 50

34 z-werte Was sind z-werte? Was sind z-werte? International gültige Standardeinheit. z-werte sind am Mittelwert und Streuung standardisiert: Sie haben einen Mittelwert von 0 und eine Streuung von 1. Auch viele BMI und Größentabellen basieren auf z-werten, werden hier aber als SD-Scores bzw. Standard Deviation Scores bezeichnet. Vorteil: Werte sind unabhängig vom Mittelwert und der Standardabweichung, sind also standardisiert und somit auch zwischen verschiedenen Kohorten vergleichbar. Zur Berechnung von Prozenträngen kann bei normalverteilten Variablen die Tabelle mit den z-werten herangezogen werden. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 32 / 50

35 z-werte Berechnung von z-werten Berechnung von z-werten Berechnung von z-werten z i = x i x s mit: x i i-ter Messwert x Mittelwert aller x i s Standardabweichung von x z-transformierte Variablen haben einen Mittelwert von 0 und eine Standardabweichung von 1. (5) S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 33 / 50

36 z-werte Berechnung von z-werten Beispiel Folgende Messwerte: 4, 7, 5, 9, 5, 9, 5, 9, 6, 3. Kennwerte: Mittelwert: 6.2 s = 2.2 z-transformation: z 1 = (4 6.2)/2.2, z 2 = (7 6.2)/2.2,... z-werte: 1, 0.36, 0.55, 1.27, 0.55, 1.27, 0.55, 1.27, 0.09, man kann somit sofort erkennen, ob ein Messwert über oder unter dem Mittelwert liegt, und wie wieviele Einheiten in Standardabweichungen er von diesem entfernt ist. Kennwerte der z-werte: Mittelwert = 0.00 s = 0.99 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 34 / 50

37 z-werte Anwendungsbeispiele Beispiel Normalverteilung Wie wahrscheinlich ist es, bei einer normalverteilten Zufallsvariable N (µ = 15, σ = 1.2) eine Zahl von bis zu 14 zu erhalten? F(x) = [ ] π exp (x 15)2 dx µ = 15; σ = Werte der Variablen S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 35 / 50

38 z-werte Anwendungsbeispiele Berechnung Ein Merkmal ist normalverteilt mit µ = 15, σ = 1.2. Wie wahrscheinlich ist es, einen Wert von bis zu 14 Punkten zu erreichen? 1 Berechne z-wert: z = x x s 2 Tabellenauszug: = = = z Fläche z Fläche z Fläche Unsere Tabelle liefert für einen z-wert von -0.8 ein Flächenanteil von Damit erreichen etwa 21% aller Personen einen Wert von höchstens 14, etwa 79% haben einen höheren Wert. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 36 / 50

39 z-werte Anwendungsbeispiele Vergleich zwischen unterschiedlichen Kohorten Zwei Schüler haben folgende Noten: Schüler A: Note 1.7, mit Klassendurchschnitt 1.9, s = 1.1 Schüler B: Note 1.9, mit Klassendurchschnitt 2.1, s = 0.8 Welcher Schüler ist, gemessen an seinem Kollektiv, besser? Berechnung der z-werte: Schüler A: = 0.18 Schüler B: = 0.25 Damit liegt Schüler B 0.25 Noten unter dem Klassendurchschnitt, Schüler A liegt 0.18 Noten unter dem Klassendurchschnitt. Schüler B hat, gemessen an der Klassenleistung, damit die bessere Durchschnittsnote. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 37 / 50

40 z-werte Hinweise zur Interpretation Hinweise zur Interpretation z-werte können bei jeder Variablen immer berechnet werden. Oft wird dann auch von standardisierter Variable gesprochen. Die Flächenanteile anhand der Standardnormalverteilung können aber nur sinnvoll interpretiert werden, wenn das Merkmal tatsächlich normalverteilt ist. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 38 / 50

41 Konfidenzintervalle Outline Konfidenzintervalle Vertrauensbereich Konfidenzintervalle für Mittelwerte S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 39 / 50

42 Konfidenzintervalle Vertrauensbereich Stichprobe und Population Wenn eine Messung durchgeführt wird, möchte man i. d. R. wissen, wie die Verhältnisse in der Population sind. Meistens kann man aber nicht die ganze Population messen, sondern nur eine Stichprobe. Beispiel: Wir möchten wissen, wie intelligent die Studierenden der SRH Heidelberg sind. Dazu erheben wir von 112 Studierenden mit dem IST 2000 den Intelligenzquotienten. Die SRH hat aber knapp 2600 Studierende, es haben also nicht alle Studierenden an unserer Studie mitgemacht. Der mittlere IQ berechnet aus den 112 Teilnehmern ist also nur eine Schätzung für den IQ aller 2600 SRH Studierenden. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 40 / 50

43 Konfidenzintervalle Vertrauensbereich Vertrauensbereich Parameter wie der Mittelwert sind Schätzungen von unbekannten Populationsparametern. Diese Schätzung ist mit einer gewissen Ungewissheit verbunden: Wir kennen den wahren Populationsparameter nicht, haben aber eine Schätzung für diesen. Ein Vertrauensbereich oder Konfidenzintervall ist ein Bereich um einen Parameter, in dem man mit einer gewissen Wahrscheinlichkeit den wahren Populationsparameter vermutet. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 41 / 50

44 Konfidenzintervalle Vertrauensbereich Herleitung Für die Berechnung eines Konfidenzintervalle gibt es verschiedene Verfahren. Typischerweise macht man eine Annahme über die Verteilung des gemessenen Merkmals. Dies ermöglicht es, wie im vorangegangenen Abschnitt gezeigt, eine Wahrscheinlichkeit für das Auftreten eines Parameters in bestimmten Grenzen zu berechnen. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 42 / 50

45 Konfidenzintervalle Konfidenzintervalle für Mittelwerte 95% der Standardnormalverteilung Wir suchen den Bereich, der 95% der Fläche um den Mittelwert der Standardnormalverteilung umfasst. Der Wert 1.96 schneidet 97.5% der Standardnormalverteilung ab. Der Wert schneidet 2.5% der Verteilung ab. Dazwischen liegen also 95%. Man spricht von einem (1 α) Konfidenzintervall, bei einem 95% KI ist α = 0.05 bzw. 5%. Allgemein: Zwischen zwei Perzentile z 1 α/2 und z α/2 befindet sich die Fläche (1 α). Äquivalent ist folgende Schreibweise: Zwischen z α/2 und z 1 α/2 befindet sich die Fläche (1 α). S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 43 / 50

46 Konfidenzintervalle Konfidenzintervalle für Mittelwerte 95% der Standardnormalverteilung Dichte 95% der Fläche 2.5% der Fläche 2.5% der Fläche -3σ -2σ -1σ 0 1σ 2σ 3σ z-werte S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 44 / 50

47 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Herleitung Die Stichprobenverteilung des arithmetischen Mittel hat den Erwartungswert µ und Streuung σ x. Wenn diese in die Standardnormalverteilung überführt werden soll, lautet die z-transformation: z = x µ σ x Die Wahrscheinlichkeit, dass dieser z-wert größer als das z α/2 und kleiner als z 1 α/2 ist lautet: Durch einsetzen ergibt sich: P(z α/2 z z 1 α/2 ) = 1 α P(z α/2 x µ z 1 α/2 ) = 1 α σ x S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 45 / 50

48 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Herleitung (Forts. 2) Dies kann umgeformt werden zu: P( x z α/2 σ x µ x + z 1 α/2 σ x ) = 1 α Komfidenzintervall für Mittelwert Damit liegt der Parameter µ mit einer Wahrscheinlichkeit (1 α) in folgenden Grenzen: untere Grenze = x z α/2 σ x obere Grenze = x + z 1 α/2 σ x (6) Eine ähnliche Herleitung finden Sie im Bortz und Schuster (2010, S. 93f) S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 46 / 50

49 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Anwendungsbeispiel Die durchschnittliche Arbeitsmotivation in einer Firma wurde mit dem Wert 34 (eher durchschnittlich) und Streuung 5.3 mit Stichprobengröße N = 66 ermittelt. Wie groß ist das 95% Konfidenzintervall für den Mittelwert? Berechnung: Da das KI 95% sein soll, ist α = Damit ist z 1 α/2 = Es gilt σ x = s n. Obere Grenze: = Untere Grenze: = Schlusssatz: Mit einer Wahrscheinlichkeit von 95% liegt die wahre Arbeitsmotivation im Bereich bis S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 47 / 50

50 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Hinweise zur Interpretation Durch Konfidenzintervalle kann abgeschätzt werden, in welchem Intervall ein wahrer Populationsparameter, z. B. µ liegt. Konfidenzintervalle werden auch sehr oft in der Diagnostik eingesetzt, um abzuschätzen, ob sich Werte zwischen Testteilnehmern bedeutsam unterscheiden, oder über die Zeit bedeutsam verändert haben. Überschneiden sich beispielsweise die Konfidenzintervalle zweier Mittelwerte nicht, so kann man davon ausgehen, dass die beiden Mittelwerte unterschiedlichen Populationen entstammen, sich daher unterscheiden. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 48 / 50

51 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Mitarbeitermotivation in zwei Firmen 95% KI Firma A: 34 ± := [32.72, 35.28] 95% KI Firma B: 39 ± := [37.61, 40.38] 40 Testwert 35 Firma A Firma B 30 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 49 / 50

52 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Literaturverzeichnis Bortz, J. & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Auflage). Berlin: Springer. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 50 / 50

Statistik für SozialwissenschaftlerInnen II p.85

Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des

Mehr

Konfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005

Konfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005 Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit

Mehr

Inferenzstatistik (=schließende Statistik)

Inferenzstatistik (=schließende Statistik) Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die

Mehr

Kapitel 2 Wahrscheinlichkeitsrechnung

Kapitel 2 Wahrscheinlichkeitsrechnung Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+

Mehr

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind: Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die

Mehr

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch 6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6

Mehr

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen 6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,

Mehr

Kapitel VI - Lage- und Streuungsparameter

Kapitel VI - Lage- und Streuungsparameter Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie

Mehr

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und β-fehler? Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de

Mehr

Messung von Rendite und Risiko. Finanzwirtschaft I 5. Semester

Messung von Rendite und Risiko. Finanzwirtschaft I 5. Semester Messung von Rendite und Risiko Finanzwirtschaft I 5. Semester 1 Messung von Renditen Ergebnis der Anwendung der Internen Zinsfuß- Methode ist die Rentabilität des Projekts. Beispiel: A0-100.000 ZÜ1 54.000

Mehr

Kenngrößen von Zufallsvariablen

Kenngrößen von Zufallsvariablen Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent

Mehr

Sigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75

Sigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75 Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert

Mehr

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!)

Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!) Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!) - Arithmetisches Mittel o Das arithmetische Mittel (auch Durchschnitt) ist ein Mittelwert, der als Quotient

Mehr

3 Konfidenzintervalle

3 Konfidenzintervalle 3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik

Mehr

Methodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft

Mehr

Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.

Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst. Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig

Mehr

Einführung in die Korrelationsrechnung

Einführung in die Korrelationsrechnung Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung

Mehr

12 Die Normalverteilung

12 Die Normalverteilung 12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden?

825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden? 1. Aufgabe: Eine Bank will die jährliche Sparleistung eines bestimmten Kundenkreises untersuchen. Eine Stichprobe von 12 Kunden ergab folgende Werte: 825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170

Mehr

Biometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen

Biometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe

Mehr

Arbeitsblatt 27: Normalverteilung Kerzen

Arbeitsblatt 27: Normalverteilung Kerzen Erläuterungen und Aufgaben Zeichenerklärung: [ ] - Drücke die entsprechende Taste des Graphikrechners! [ ] S - Drücke erst die Taste [SHIFT] und dann die entsprechende Taste! [ ] A - Drücke erst die Taste

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [random variable] Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Einführung in die Wahrscheinlichkeitsrechnung

Einführung in die Wahrscheinlichkeitsrechnung Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung

Mehr

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum) Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!

Mehr

Analytische Statistik II

Analytische Statistik II Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.

Mehr

Ü b u n g s b l a t t 15

Ü b u n g s b l a t t 15 Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine

Mehr

Stetige Wahrscheinlichkeitsverteilung

Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische

Mehr

1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests

1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests 1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests Statistische Tests dienen dem Testen von Vermutungen, so genannten Hypothesen, über Eigenschaften der Gesamtheit aller Daten ( Grundgesamtheit

Mehr

Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende

Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten

Mehr

Übung 1: Wiederholung Wahrscheinlichkeitstheorie

Übung 1: Wiederholung Wahrscheinlichkeitstheorie Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen

Mehr

Prüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014

Prüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014 Prüfungstutorat: Angewandte Methoden der Politikwissenschaft Polito Seminar Carl Schweinitz 10.12.2014 Übersicht 1. Einheiten und Variablen 2. Skalen und ihre Transformation 3. Deskriptive Statistik 4.

Mehr

10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg

10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg . Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments

Mehr

I. Deskriptive Statistik 1

I. Deskriptive Statistik 1 I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................

Mehr

Kapitel 2. Fehlerrechnung

Kapitel 2. Fehlerrechnung Fehlerrechnung 1 Messungen => quantitative Aussagen Messungen müssen zu jeder Zeit und an jedem Ort zu den gleichen Ergebnissen führen Messungen sind immer mit Fehler behaftet. => Angabe des Fehlers! Bespiel

Mehr

Wahrscheinlichkeit und die Normalverteilung. Jonathan Harrington

Wahrscheinlichkeit und die Normalverteilung. Jonathan Harrington Wahrscheinlichkeit und die Normalverteilung Jonathan Harrington Der Bevölkerungs-Mittelwert 99 Stück Papier nummeriert 0, 1, 2, 99 Ich ziehe 10 davon und berechne den Mittelwert. Was ist der Mittelwert

Mehr

Jost Reinecke. 7. Juni 2005

Jost Reinecke. 7. Juni 2005 Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Inferenzstatistik (schließende Statistik, induktive Statistik) Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät,

Mehr

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

Mehr

Wahrscheinlichkeitsrechnung und schließende Statistik

Wahrscheinlichkeitsrechnung und schließende Statistik Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis

Mehr

Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren

Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei

Mehr

Übungsaufgaben zu Statistik II

Übungsaufgaben zu Statistik II Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben

Mehr

Ringvorlesung Einführung in die Methoden der empirischen Sozialforschung II

Ringvorlesung Einführung in die Methoden der empirischen Sozialforschung II Ringvorlesung Einführung in die Methoden der empirischen Sozialforschung II Auswahlverfahren - Begriffe und theoretische Grundlagen 1 USA 1936: - Wahlstudie mit 10.000.000 Probestimmzetteln - Quelle: Telefonverzeichnis

Mehr

Wahrscheinlichkeitsrechnung und schließende Statistik

Wahrscheinlichkeitsrechnung und schließende Statistik Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei

Mehr

Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter

Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter Was für Kenngrößen von Verteilungen kennst du? Ortsparameter (Arithmetisches Mittel, Median, MedMed,

Mehr

Deskriptive Statistik

Deskriptive Statistik Modul G.1 WS 07/08: Statistik 8.11.2006 1 Deskriptive Statistik Unter deskriptiver Statistik versteht man eine Gruppe statistischer Methoden zur Beschreibung von Daten anhand statistischer Kennwerte, Graphiken,

Mehr

Lage- und Streuungsparameter

Lage- und Streuungsparameter Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch

Mehr

Schließende Statistik

Schließende Statistik Schließende Statistik Die schließende Statistik befaßt sich mit dem Rückschluß von einer Stichprobe auf die Grundgesamtheit (Population). Es muß eine repräsentative (d.h. nur zufallsbeeinflusste) Stichprobe

Mehr

10. Die Normalverteilungsannahme

10. Die Normalverteilungsannahme 10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche

Mehr

Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler

Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler Von Professor Dr. Gert Heinrich 3., durchgesehene Auflage R.Oldenbourg Verlag München Wien T Inhaltsverzeichnis

Mehr

Übungsaufgaben, Statistik 1

Übungsaufgaben, Statistik 1 Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama

Mehr

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5 Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung

Mehr

Konfindenzintervall für My - Sigma unbekannt

Konfindenzintervall für My - Sigma unbekannt Konfindenzintervall für My - Sigma unbekannt Worum geht es in diesem Modul? Ausgangspunkt t-verteilung Herleitung des Konfidenzintervalls Breite des Konfidenzintervalls Simulation: Vergleich der Konfidenzintervalle

Mehr

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97. Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )

Mehr

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009 Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte

Mehr

Auswahl von Schätzfunktionen

Auswahl von Schätzfunktionen Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Es gibt insgesamt 14 Grundkompetenzpunkte: Je einen für jede der 12 Teil-1-Aufgaben und jede der beiden mit A gekennzeichnete Aufgaben aus Teil 2.

Es gibt insgesamt 14 Grundkompetenzpunkte: Je einen für jede der 12 Teil-1-Aufgaben und jede der beiden mit A gekennzeichnete Aufgaben aus Teil 2. Prototypische Schularbeit 2 Klasse 8 Autor: Mag. Paul Schranz Begleittext Die vorliegende Schularbeit behandelt größtenteils Grundkompetenzen der Inhaltsbereiche Analysis und Wahrscheinlichkeitsrechnung

Mehr

Wirtschaftsstatistik Normalverteilung

Wirtschaftsstatistik Normalverteilung Fachhochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 1, Tel 39 14 jutta.arrenberg@fh-koeln.de Wirtschaftsstatistik Normalverteilung Aufgabe 10.1 Die Lebensdauer

Mehr

Normalverteilung und Dichtefunktionen

Normalverteilung und Dichtefunktionen Normalverteilung und Dichtefunktionen Ac Einführung der Normalverteilung als Approximationsfunktion der Binomialverteilung Da die Binomialverteilung für große n das Aussehen einer Glockenkurve besitzt

Mehr

Population und Stichprobe

Population und Stichprobe Inhaltsverzeichnis Population und Stichprobe... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-13)... 3 1. Fragestellung... 4 2. Definitionen und Notation... 4 3. "Dilemma" der Stichprobenziehung... 6

Mehr

QM III Normalverteilung Aufgabe 10.1 Die Lebensdauer (in Jahren) von KFZ-Batterien des Typs

QM III Normalverteilung Aufgabe 10.1 Die Lebensdauer (in Jahren) von KFZ-Batterien des Typs Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 1, Tel 3914 jutta.arrenberg@th-koeln.de QM III Normalverteilung Aufgabe 10.1 Die Lebensdauer (in Jahren)

Mehr

Webinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie

Webinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.

Mehr

Brückenkurs Statistik für Wirtschaftswissenschaften

Brückenkurs Statistik für Wirtschaftswissenschaften Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München

Mehr

Hypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav

Hypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der

Mehr

Deskriptive Statistik & grafische Darstellung

Deskriptive Statistik & grafische Darstellung Deskriptive Statistik & grafische Darstellung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Deskriptive

Mehr

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung

Mehr

Vorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.

Vorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing. Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:

Mehr

Test auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)

Test auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test) Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen

Mehr

Schließende Statistik

Schließende Statistik Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.

Mehr

Über den Autor 7 Über den Fachkorrektor 7. Einführung 19

Über den Autor 7 Über den Fachkorrektor 7. Einführung 19 Inhaltsverzeichnis Über den Autor 7 Über den Fachkorrektor 7 Einführung 19 Über dieses Buch 19 Törichte Annahmen über den Leser 20 Wie dieses Buch aufgebaut ist 20 Teil I: Ein paar statistische Grundlagen

Mehr

Lösungen zu den Übungsaufgaben in Kapitel 10

Lösungen zu den Übungsaufgaben in Kapitel 10 Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert

Mehr

Übungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006

Übungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006 3.75. Angabe Übungsrunde 9, Gruppe 2 LVA 07.369, Übungsrunde 8, Gruppe 2, 2.2. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 2/2006 X sei eine stetige sg mit Dichte f(x), x R. Ermitteln Sie einen

Mehr

Anteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen. Anteile Häufigkeiten Verteilungen

Anteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen. Anteile Häufigkeiten Verteilungen DAS THEMA: VERTEILUNGEN LAGEMAßE - STREUUUNGSMAßE Anteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen Anteile Häufigkeiten Verteilungen Anteile und Häufigkeiten Darstellung

Mehr

Über den Autor 7. Teil Beschreibende Statistik 29

Über den Autor 7. Teil Beschreibende Statistik 29 Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:

Mehr

Wahrscheinlichkeitsrechnung und Quantentheorie

Wahrscheinlichkeitsrechnung und Quantentheorie Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne

Mehr

Statistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage

Statistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt

Mehr

Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1-

Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1- SPSSinteraktiv Signifikanztests (Teil ) - - Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil - t-test bei einer Stichprobe - SPSS-Output Der t-test bei einer Stichprobe wird

Mehr

Kapitel 3 Schließende Statistik

Kapitel 3 Schließende Statistik Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:

Mehr

Bachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5

Mehr

Intelligenzquotient 13,5 % 13,5 % 2,5 %

Intelligenzquotient 13,5 % 13,5 % 2,5 % Aufgabennummer: B-C9_11 Intelligenzquotient Technologieeinsatz: möglich erforderlich S Der Intelligenzquotient (IQ) ist eine Kenngröße zur Bewertung des allgemeinen intellektuellen Leistungsvermögens (Intelligenz)

Mehr

Formelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade

Formelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de

Mehr

Hydrologie und Flussgebietsmanagement

Hydrologie und Flussgebietsmanagement Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik

Mehr

Lösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die

Lösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:

Mehr

Anpassungstests VORGEHENSWEISE

Anpassungstests VORGEHENSWEISE Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel

Mehr

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente... Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............

Mehr

Meßprozeß, Meßfehler und Statistik

Meßprozeß, Meßfehler und Statistik 0- Meßprozeß, Meßfehler und Statistik Vorbereitung : Begriff der Wahrscheinlichkeit, statistische Verteilungen (Binomialverteilung, Poissonverteilung, Gaussverteilung), Meßfehler und Fehlerfortpflanzung.

Mehr

Inhaltsverzeichnis. Teil I Einführung

Inhaltsverzeichnis. Teil I Einführung Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...

Mehr

VS PLUS

VS PLUS VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN

Mehr