Die Normalverteilung
|
|
- Kirsten Dunkle
- vor 7 Jahren
- Abrufe
Transkript
1 Die Normalverteilung Worum geht es in diesem Modul? Ist der Euro fair? Approximation der Binomialverteilung Dichte und Verteilungsfunktion Standardnormalverteilung und Lineartransformation Quantile Quantildiagramme Grenzwertsatz von de Moivre und Laplace Ist der Euro fair? - Fortsetzung Der zentrale Grenzwertsatz Die logarithmische Normalverteilung Die bivariate Normalverteilung Worum geht es in diesem Modul? Wenn bei einer Binomialverteilung die Anzahl der Versuchsdurchführungen sehr groß ist, gibt es Schwierigkeiten bei der Berechnung der Wahrscheinlichkeiten. Hierfür bietet die Normalverteilung eine Approximation. Sie ist aber auch zur Modellierung von Messdaten ein oft herangezogenes Modell. Wegen ihrer zentralen Bedeutung wird die Normalverteilung in einem eigenen Lernmodul behandelt. Nach der Darstellung der Approximation der Binomialverteilung durch die Normalverteilung werden die wichtigsten Eigenschaften der Normalverteilung betrachtet. Über die Approximation der Binomialverteilung hinaus lassen sich die Verteilungen von Summen von Zufallsvariablen durch die Normalverteilung annähern. Eine besondere Variante ergibt sich mit der logarithmischen Normalverteilung. Diese ist von Bedeutung, wenn einzelne Faktoren multiplikativ zusammenwirken. Ist der Euro fair? Im Zusammenhang mit der Einführung des Euro als gemeinsame europäische Währung berichteten polnische Mathematiker, dass die 1-Euro-Münze nicht fair sei. Die Wahrscheinlichkeiten seien verschieden, dass sie auf die Zahl- bzw. auf die Symbolseite falle. Muss daraufhin auf den Münzwurf zur objektiven, fairen Entscheidungsfindung verzichtet werden? (Beispielsweise beim Auslosen der Seiten beim Fußball.) Page 1
2 Quelle: Eigenproduktion Im Sinne der statistischen Wahrscheinlichkeit stabilisiert sich der Anteil der Zahlseiten bei dem wahren Wert, der Chance für das Eintreffen des Ereignisses "Die Zahlseite zeigt nach oben". Nun stellt sich die Frage, ob die von den Mathematikern festgestellte Ungleichheit der Chancen für die beiden Seiten relevant ist, d.h. ob wir sie tatsächlich bemerken können, oder ob sie so gering ist, dass wir die Ungleichheit getrost vergessen können. Eine erste Einschätzung erlaubt die. Da die Zufallsvariable = "Anzahl der Zahlseiten" bei Würfen binomialverteilt ist mit den Parametern und, gilt: Somit gilt gemäß der Tschebyschev-Ungleichung: Wählen wir, so ist die Mindestwahrscheinlichkeit Angenommen, der Euro sei nicht fair und habe eine Zahl-Wahrscheinlichkeit von Dann erhalten wir bei Würfen: Page 2
3 Selbst bei einer Serie dieser Länge kann es uns gut passieren, dass der beobachtete Anteil 0.5 oder sogar etwas größer ausfallen wird, obwohl ist. Nun ist die Mindestwahrscheinlichkeit, welche die Tschebyschev-Ungleichung angibt, eine untere Schranke. Im Einzelfall kann sie sehr grob sein. Daher ist eine genauere Berechnung über die Binomialverteilung wünschenswert. Approximation der Binomialverteilung Entsprechend der Problemstellung bzgl. der Fairness des Euro sei mit den Parametern und, binomialverteilt Jede näherungsweise Bestimmung von Wahrscheinlichkeiten steht vor dem Problem, dass mit wachsendem der Wertebereich entsprechend breiter wird. Das können Sie mit dem Applet Binomialverteilung (a6c.jar) nachvollziehen. Daher ist es für eine Näherungsformel günstig, von einer bzw. von den standardisierten Realisationsmöglichkeiten auszugehen. Sei binomialverteilt mit den Parametern und, Der standardisierte -Wert ist. Für große lassen sich die Binomialwahrscheinlichkeiten für standardisierte Werte aus jedem festgelegten Bereich approximieren gemäß: Die Approximationsgüte hängt von ab. Als Faustregel gilt: Für erhalten wir brauchbare Werte. Zur Beantwortung der Euro-Frage reicht diese Approximation allerdings nicht aus. Zwar können wir die einzelnen Binomialwahrscheinlichkeiten einfacher berechnen, jedoch haben wir keine einfache Formel für die Wahrscheinlichkeit, dass die Zufallsvariable einen Wert aus einem Intervall annimmt. Daher greifen wir die Fragestellung weiter unten wieder auf. Page 3
4 Welches sind die größten Abweichungen der Binomialwahrscheinlichkeiten von den entsprechenden approximierenden Werten? Bestimmen Sie diese im Statistik-Labor für und. Labordatei öffnen ( ac4.mpf ) Dichte und Verteilungsfunktion Dichte Bei der Funktion, die sich bei der Binomialapproximation ergeben hat, ist ; und sind Erwartungswert und Varianz der zugrunde liegenden Binomialverteilung. Werden diese durch die allgemeinen Symbole Erwartungswert und für die Varianz ersetzt, so erhalten wir die Normalverteilungsdichte. für den Eine Zufallsvariable, deren Dichtefunktion die Gestalt hat, heißt normalverteilt mit den Parametern und. Dafür wird kurz geschrieben. ist tatsächlich eine Dichtefunktion: Es gilt und. Die Normalverteilung wird auch nach dem Mathematiker Carl Friedrich Gauß, der sie als Fehlerverteilung einführte, als Gauß-Verteilung bezeichnet Quelle: Stigler, S. M. (1986): The History of Statistics; Harvard: Belknap Entsprechend der Einführung der Normalverteilungsdichte gilt: In diesem Applet Normalverteilung (b16.jar) ist die Normalverteilungsdichte, auch Gaußsche Glockenkurve genannt, angegeben; daran lässt sich die Auswirkung der Parameter studieren. Verteilungsfunktion Wie bei jeder stetigen Verteilung hängt die Verteilungsfunktion mit der Dichte zusammen gemäß. lässt sich nicht in geschlossener Form angeben. Formal können über sie Wahrscheinlichkeiten für Intervalle bestimmt werden: Da eine stetige Funktion ist, spielt es keine Rolle, ob die Intervallgrenzen jeweils eingeschlossen sind oder nicht. Eine Reifenfirma untersucht die Lebensdauer eines neu entwickelten Reifens. Dabei zeigt sich, dass die ermittelte Laufleistung der Reifen gut durch eine Normalverteilung mit den Parametern km und km angenähert werden kann. Page 4
5 a) Wie groß ist die Wahrscheinlichkeit dafür, dass ein zufällig ausgewählter Reifen höchstens km hält? b) Wie groß ist die Wahrscheinlichkeit dafür, dass ein zufällig ausgewählter Reifen mehr als km hält? c) Wie groß ist die Wahrscheinlichkeit dafür, dass ein zufällig ausgewählter Reifen länger als km und weniger als km hält? Beantworten Sie die Fragen unter Zuhilfenahme des Statistik-Labors. Labordatei öffnen ( b59.mpf ) Ein Unternehmen hat festgestellt, dass die Anzahl der Tage zwischen der Ausstellung einer Rechnung und ihrer Bezahlung durch den Kunden angenähert einer Normalverteilung folgt mit dem Erwartungswert und der Standardabweichung. Hierbei ist die vom Unternehmen gewährte Zahlungsfrist. a)wie groß ist die Wahrscheinlichkeit dafür, dass eine Rechnung spätestens 60 Tage nach Ausstellung beglichen wird? b) Welcher Anteil der Rechnungen wird erst nach 30 Tagen bezahlt? c) Welcher Anteil der Rechnungen wird in dem Zeitintervall von 15 bis 20 Tagen bezahlt? Beantworten Sie die Fragen unter Zuhilfenahme des Statistik-Labors. Labordatei öffnen ( b75.mpf ) Standardnormalverteilung und Lineartransformation Die Standardnormalverteilung ist die Normalverteilung mit dem Erwartungswert null und der Varianz eins, und. Von einer beliebigen Normalverteilung gelangen wir durch zur Standardnormalverteilung: Umgekehrt gilt natürlich auch: Aus dieser Eigenschaft ergibt sich unmittelbar, dass jede Lineartransformation einer normalverteilten Zufallsvariablen wieder normalverteilt ist, sofern der Faktor von null verschieden ist: Die zur Standardnormalverteilung gehörige Verteilungsfunktion wird mit (sprich: Fi von z) bezeichnet, die Dichte mit (sprich: klein Fi von z). Das Applet Standard-Normalverteilung (ba7.jar) illustriert beide Funktionen. spielte in der älteren Statistikliteratur eine wesentliche Rolle. Erlaubte doch der oben angegebene Zusammenhang zwischen einer -Verteilung und der Standardnormalverteilung, sich auf eine einzige Tabelle von Wahrscheinlichkeiten zu beschränken. Noch jetzt macht es Sinn, zur Verdeutlichung der Parameter Wahrscheinlichkeiten mit Hilfe der Standardnormalverteilung anzugeben: Quantile Page 5
6 Die -Quantile einer -Verteilung mit der Verteilungsfunktion sind Sie stehen im Zusammenhang mit den Quantilen der Standardnormalverteilung:. Im Applet Quantile der Normalverteilung (bea.jar) kann die Bestimmung der Quantile zu vorgegebenen Wahrscheinlichkeiten untersucht werden. Die Quantile sind symmetrisch um den Erwartungswert: Zentrale Schwankungsintervalle Wir haben über die Eigenschaft eingeführt, dass die Zufallsvariable mit gleicher Wahrscheinlichkeit einen Wert links von der Untergrenze wie rechts von der Obergrenze annimmt. Da die Normalverteilung symmetrisch um den Erwartungswert ist, gilt hier. Die zentralen Schwankungsintervalle haben folglich die Form. Die Konstante wird dabei meist als Vielfaches der Standardabweichung angegeben. Wir sprechen dann von einem -fachen zentralen Schwankungsintervall: Für die ersten ganzzahligen Werte von k sind die Wahrscheinlichkeiten: % % % Nach der so genannten -Regel liegen bei einer Normalverteilung praktisch alle Beobachtungen innerhalb des dreifachen zentralen Schwankungsintervalls. Eine Reifenfirma untersucht die Lebensdauer eines neu entwickelten Reifens. Dabei zeigt sich, dass die ermittelte Laufleistung der Reifen gut durch eine Normalverteilung mit den Parametern km und km angenähert werden kann. d) Welche Laufleistung wird von 95 % der Reifen nicht überschritten? e) Welche Laufleistung wird von 90 % der Reifen nicht unterschritten? f) Berechnen Sie das zentrale Schwankungsintervall, in das 95% der Reifen fallen. g) Die Firma ist in der Lage, den Herstellungsprozess der Reifen so zu steuern, dass km konstant bleibt, aber die Standardabweichung veränderbar ist. Bei welcher Standardabweichung muss der Produktionsprozess ablaufen, wenn die Firma garantieren will, dass durchschnittlich nur 2% der Reifen diese Mindestlaufleistung von km unterschreiten? Beantworten Sie die Fragen d)-f) unter Zuhilfenahme des Statistik-Labors. Page 6
7 Labordatei öffnen ( c86.mpf ) Und hier ist ein Link zur Lösung von Teil g) ( : c8a.pdf ). Ein Unternehmen hat festgestellt, dass die Anzahl der Tage zwischen der Ausstellung einer Rechnung und ihrer Bezahlung durch den Kunden angenähert einer Normalverteilung folgt mit dem Erwartungswert und der Standardabweichung. Hierbei ist die vom Unternehmen gewährte Zahlungsfrist. d)welcher Zeitraum zur Bezahlung einer Rechnung wird von 20% der Kunden nicht eingehalten? e) Wie angegeben, gewährt das Unternehmen eine Zahlungsfrist von Tagen. Wenn eine Rechnung nach 40 Tagen noch nicht bezahlt worden ist, wird eine erste Mahnung abgeschickt. Wie groß müsste die gewährte Zahlungsfrist festgesetzt werden, wenn der Anteil der anzumahnenden Rechnungen nur noch 5% betragen soll? (bei gleichem ) Beantworten Sie die Frage d) unter Zuhilfenahme des Statistik-Labors. Labordatei öffnen ( cb0.mpf ) Und hier ist ein Link zur Lösung von Teil e) ( : cb4.pdf ). Quantildiagramme Die Normalverteilung ist die wohl wichtigste Verteilung für die statistische Modellierung von Datensätzen. Erfahrungsgemäß gehorchen Messfehler häufig zumindest approximativ einer Normalverteilung. Dies wird dadurch erklärt, dass bei der Entstehung von Messfehlern eine Vielzahl von Ursachen zusammenwirken. Somit wird diese Verteilung bei vielen Fehlerbetrachtungen zu Grunde gelegt. Um die Eignung der Normalverteilung für die Beschreibung eines Datensatzes zu untersuchen, sind Quantildiagramme besonders günstig. Hier werden die empirischen Quantile in Abhängigkeit von den theoretischen aufgetragen. Dabei wählen wir für die empirischen Quantile die Anteile v/n, v=1,...,n. Damit sind die geordneten Beobachtungen gleich den zugehörigen Quantilen. Aufgrund des Zusammenhangs zwischen den Quantilen einer beliebigen Normalverteilung und denen der Standardnormalverteilung reicht es, für die theoretischen Quantile die Quantile der Standardnormalverteilung zu nehmen. Die Punkte sollten dann einfach um eine Gerade streuen und keine Systematik bei einer Abweichung aufweisen. Für die den empirischen Quantilen entsprechenden theoretischen Quantile nehmen wir aber nicht die v/n-quantile, sondern die (v-0.5)/n-quantile (Stetigkeitskorrektur). Beispiel: Körpertemperatur In einem Artikel in der Zeitschrift "Journal of the American Medical Association" mit dem Titel "A Critical Appraisal of 98.6 Degrees F, the Upper Limit of the Normal Body Temperature, and Other Legacies of Carl Reinhold August Wunderlich" von Mackowiak, Wasserman, and Levine (1992) geht es um die Frage, ob die mittlere Körpertemperatur tatsächlich 98.6 F, bzw C beträgt. Aus den dort veröffentlichten Abbildungen sind die Daten der Körpertemperatur von Männern rekonstruiert. Das zugehörige QQ-Diagramm zeigt, dass die Körpertemperatur als Page 7
8 normalverteilt angesehen werden kann. Quelle: Eigene Berechnungen Labordatei öffnen ( ccb.spf ) Mr. McConway ist Bibliothekar in einer umfangreichen Bibliothek. Er maß bei 100 zufällig ausgewählten Büchern die Dicke (in mm). (Aus: Hand, D.J., Daly, F., Lunn, A.D., McConway, K.J., and Ostrowski, E. (1994) A Handbook of small data sets, Chapman & Hall: London.) Ist die Dicke der Bücher in dieser Bibliothek normalverteilt? Überprüfen Sie dies mittels eines QQ-Diagramms. Wenn Sie zu der Einschätzung kommen sollten, dass eine Normalverteilung kein gutes Modell ist, so beschreiben Sie, worin der Unterschied liegt. Labordatei öffnen ( cd5.mpf ) Grenzwertsatz von de Moivre und Laplace Der eingangs formulierte Zusammenhang mit der Binomialverteilung gibt Näherungswerte für die Einzelwahrscheinlichkeiten der Binomialverteilung. Wollen wir Wahrscheinlichkeiten für vorgegebene Bereiche bestimmen, so sind wegen der Diskretheit die einzelnen Werte aufzusummieren. Bezeichnet die Normalverteilungsdichte mit den Parametern und, so gilt für eine -verteilte Zufallsvariable : Nun gibt es einen Trick, der das direkte Arbeiten mit der Normalverteilung, d.h. mit der Verteilungsfunktion erlaubt. Der Trick lässt sich am besten anhand des Stabdiagrammes der Binomialverteilung verdeutlichen. Werden die Stäbe zu Blöcken mit der Breite Eins "verbreitert", so ist der Flächeninhalt der Blöcke, Grundseite*Höhe, rechnerisch gerade gleich der Höhe. Also entspricht die Fläche zwischen zwei Punkten auf der x-achse der Summe der Stäbe, die zu dazwischen liegenden Realisationsmöglichkeiten gehören. Dementsprechend gilt der Grenzwertsatz von de Moivre und Laplace: Quelle: Barth & Haller (1983): Stochastik, Erehnwirth Verlag München. Betrachten Sie die Umsetzung des Tricks selbst mit Hilfe des Applet Normal-Approximation der Binomialverteilung (d04.jar). Die Approximation lässt sich verbessern, wenn berücksichtigt wird, dass die Fläche, die zu den beiden Begrenzungspunkten gehört, ganz zu berücksichtigen ist, wenn die Relation das Gleichheitszeichen mit einschließt. Beispielsweise ist, wenn wir wieder beachten, dass für die Parameter und gilt: Bei dem Integral wird die Fläche nur bis zur Obergrenze bestimmt; der letzte Summand wird also nicht in der Form berücksichtigt, sondern nur zur Hälfte. Eine Verbesserung erhalten wir daher mit der Stetigkeitskorrektur Die Verbesserung kann mit dem obenstehenden Applet studiert werden. Ist der Euro fair? - Fortsetzung Page 8
9 Wir wollen die eingangs gestellte Frage wieder aufnehmen, ob die von polnischen Mathematikern festgestellte Verfälschung der 1-Euro-Münze praktisch relevant ist. Dazu bestimmen wir mit Hilfe der Normalapproximation für verschiedene und die Länge der Intervalle so, dass die Wahrscheinlichkeiten gleich 0.99 sind: n \ p Wir sehen, dass sich die Verhältnisse präziser darstellen als bei der Tschebyschev-Ungleichung. Schon bei n=10000 ist die Chance 0.01, dass bei einem tatsächlichen Wert von p=0.49 eine Beobachtung außerhalb von geschieht. (Hier ist zu beachten, dass in der Tabelle die Längen der Intervalle angegeben sind!) Insgesamt wird deutlich, dass eine sehr große Anzahl von Würfen mit einer 1-Euro-Münze notwendig ist, um kleinere Abweichungen von der 50:50-Chance der Zahlseite zu erkennen. Auch wenn also keine Sicherheit erreicht werden kann, bleibt die Überzeugung, dass der Euro weiterhin gut als "Entscheidungshilfe" in Zweifelsfällen einsetzbar ist. Der zentrale Grenzwertsatz Der Grenzwertsatz von de Moivre und Laplace lässt sich zum zentralen Grenzwertsatz erweitern. Dieser ist eines der bemerkenswertesten Ergebnisse der Wahrscheinlichkeitsrechnung. In der hier angegebenen, einfachsten Form sagt er, dass die Summe einer großen Anzahl von unabhängigen identisch verteilten Zufallsvariablen approximativ normalverteilt ist. Zudem wird die Normalverteilungsapproximation immer besser, je größer die Anzahl der Summanden ist. Zentraler Grenzwertsatz Die Verteilung der Summe von n unabhängigen, identisch verteilten Zufallsvariablen mit Erwartungswert und Varianz ist für große approximativ gleich der Normalverteilung. Genauer gilt Page 9
10 Aufgrund des zentralen Grenzwertsatzes können die Wahrscheinlichkeiten unter Verwendung der Normalverteilung mit dem Erwartungswert und der Varianz bestimmt werden. Dies gilt unabhängig von der Ausgangsverteilung der. Die Qualität der Näherung hängt lediglich von der Anzahl der Summanden ab. Beispiel: Länge von Piniennadeln In der Tabelle ist die empirische Verteilung von 3000 Durchschnittswerten der Länge von Piniennadeln angegeben. Jeder Durchschnittswert beruht auf jeweils 250 Messungen. Dieser Datensatz gibt uns die Möglichkeit, zu überprüfen, ob der Stichprobenumfang von schon groß genug ist, um in diesem Fall die arithmetischen Mittel als normalverteilt ansehen zu können. Mit einer Summe von identisch verteilten Zufallsvariablen ist auch der Durchschnitt approximativ normalverteilt. Der Übergang von der Summe zum Durchschnitt ist ja eine Lineartransformation, Page 10
11 (Aus: Griffin, Smith und Watts (1982) Deriving the Normal and Exponential Densities Using EDA Techniques, The American Statistician, 36, ) Das arithmetische Mittel der durchschnittlichen Längen beträgt 3.186, die Standardabweichung ist Die Abbildung des Histogramms mit der überlagerten Dichte der -Verteilung zeigt eine gute Übereinstimmung. Quelle: Eigene Berechnungen Die logarithmische Normalverteilung In vielen Anwendungen kann die interessierende Variable nur Werte annehmen, die größer oder gleich null sind. Es resultiert dann oft eine rechtsschiefe Verteilung. Über eine logarithmische Transformation können sehr extreme Werte aber an die übrigen Daten herangezogen werden. Sehr kleine Werte werden dagegen durch diese Transformation auseinander gezogen. Hat eine Zufallsvariable eine Verteilung, so dass normalverteilt ist mit den Parametern und, so heißt logarithmisch normalverteilt mit den Parametern und. Zur Berechnung der Wahrscheinlichkeiten können wir die Beziehung zur Normalverteilung ausnutzen. Speziell gilt für die Verteilungsfunktion an der Stelle : Daraus ergibt sich auch die Dichtefunktion der logarithmischen Normalverteilung:. Es sind. Beispiel: Gesamtbezüge von Geschäftsführern In der Frankfurter Allgemeinen Zeitung vom 30.März 2002 sind in einer Tabelle die Gesamtbezüge von Geschäftsführern (Gehaltsklassen in tausend Euro) angegeben. (Dabei ist zu beachten, dass das Histogramm nicht korrekt ist. Die scheinbare Erhöhung der Häufigkeit in der Klasse von 200 bis 250 resultiert daraus, dass die Klassenbreite hier doppelt so groß ist wie bei den niedrigeren Beträgen!) Aus den Prozentangaben kann aber ein QQ-Diagramm erstellt werden. Dazu werden die Klassenobergrenzen als empirische Quantile gewählt. Die theoretischen ergeben sich dann direkt aus, wobei der kumulierte Anteil bis zu dieser Klasse ist. Quelle: Eigene Berechnungen Für das QQ-Diagramm wurden die Gehaltsangaben logarithmiert. Die logarithmierten Werte streuen zufrieden stellend um eine Gerade. Die Verteilung der logarithmierten Gesamtbezüge lässt sich offensichtlich gut durch eine Normalverteilung modellieren. Die Gesamtbezüge können als logarithmisch normalverteilt angesehen werden. Die bivariate Normalverteilung Eine der wichtigen Eigenschaften, die Galton, ein Enkel Darwins, bei seinen historisch bedeutsamen Untersuchungen über den Zusammenhang der Größe von Vätern (=) und Söhnen (=) entdeckte, war, dass die zugehörigen Streudiagramme eine ellipsenförmige Page 11
12 Gestalt aufwiesen. Zudem konnten die Größen der Väter und die der Söhne als normalverteilt angesehen werden. Die bivariate Normalverteilung formalisiert diese Erkenntnisse: Die Randverteilungen sind Normalverteilungen und die gemeinsame Struktur ist durch eine Ellipsenform gegeben. Die Ausrichtung der Ellipse wird durch einen Parameter gesteuert. Die Dichte der bivariaten Normalverteilung lautet ausformuliert Die Parameter sind die Erwartungswerte von und und die die Varianzen. ist der Korrelationskoeffizient; damit ist. Die Abbildung zeigt die bei (0,0) zentrierte bivariate Dichte. Quelle: Eigene Berechnungen Die Darstellung der bivariaten Dichte als so genannten Contour-Plot gibt Kurven konstanter Dichte für verschiedene Werte von an. Hier zeigt sich die Ellipsengestalt ganz deutlich. Quelle: Eigene Berechnungen Approximation von Verteilungen ErklärungGrenzwertsatz von de Moivre und Laplace Erklärunglogarithmische Normalverteilung ErklärungNormalverteilung ErklärungNormalverteilung, bivariate ErklärungStandardnormalverteilung ErklärungZentraler Grenzwertsatz Erklärung (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Kontakt: Page 12
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,
MehrStetige 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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrStatistik 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
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
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
MehrMathematische 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+
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrAuswahl 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
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrKapitel 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
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrWirtschaftsstatistik 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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrDer 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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWahrscheinlichkeitsverteilungen
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
Mehr5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die
MehrInferenzstatistik (=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
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrQM 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)
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrÜ 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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert nämlich
MehrVon der Normalverteilung zu z-werten und Konfidenzintervallen
Von der Normalverteilung zu z-werten und Konfidenzintervallen Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH
MehrÜber 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:
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrNormalverteilung und Dichtefunktionen
Normalverteilung und Dichtefunktionen Ac Einführung der Normalverteilung als Approximationsfunktion der Binomialverteilung Da die Binomialverteilung für große n das Aussehen einer Glockenkurve besitzt
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrStatistik 2 für SoziologInnen. Stetige Zufallsvariable Normalverteilung & Exponentialverteilung
Statistik 2 für SoziologInnen Stetige Zufallsvariable Normalverteilung & Exponentialverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert
MehrBiometrieübung 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
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 16. Januar 2015 1 Verteilungsfunktionen Definition Binomialverteilung 2 Stetige Zufallsvariable,
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrStatistik I. 2. Klausur Wintersemester 2011/2012 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik I A 2. Klausur Wintersemester 2011/2012 Hamburg, 20.03.2012 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrMessung 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
MehrSigma-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
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
MehrKonfidenzintervall 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
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Grenzwertsätze. Marcus Hudec. Statistik für SoziologInnen 1 Zentraler Grenzwertsatz
Statistik 2 für SoziologInnen Grenzwertsätze Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und seine Bedeutung für die
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrZufallsvariablen [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
MehrStatistik 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
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrStatistik I. 2. Klausur Wintersemester 2011/2012 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik I A 2. Klausur Wintersemester 2011/2012 Hamburg, 20.03.2012 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrÜbung 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
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
Mehr8 Stichprobenkennwerteverteilung
8 Stichprobenkennwerteverteilung 8.1 Vorbemerkungen 8.2 Die Normalverteilung: Teil 2 8.3 Die t Verteilung 8.4 Normalverteilungs Approximation: Der zentrale Grenzwertsatz 8.1 Vorbemerkungen Daten x 1,...,
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 17. November 2010 1 Gesetze Das Gesetz der seltenen Ereignisse Das schwache Gesetz der großen Zahl 2 Verteilungsfunktionen
MehrKapitel 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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
Mehr7.2 Theoretische Kennwerte
7.2 Theoretische Kennwerte Theoretische Varianz und Standardabweichung Definition und Notation Verschiebungsformel für die theoretische Varianz 391 7.2 Theoretische Kennwerte Interpretation der theoretischen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrKonfindenzintervall 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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
Mehr(6.29) Z X. Die standardnormalverteilte Zufallvariable Z, Z ~ N(0,1), weist den Erwartungswert (6.30) E(Z) = 0 und die Varianz (6.31) V(Z) = 1 auf.
Standardnormalverteilung Da die arameter μ und σ beliebige reelle Zahlenwerte bw. beliebige positive reelle Zahlenwerte (σ >0) annehmen können, gibt es unendlich viele Normalverteilungen. Die Dichtefunktion
MehrWeierstraß-Institut für Angewandte Analysis und Stochastik Von der Binomialverteilung zur Normalverteilung
Weierstraß-Institut für Angewandte Analysis und Stochastik Von der Binomialverteilung zur Normalverteilung Wolfgang König (WIAS und TU Berlin) Mohrenstraße 39 10117 Berlin Tel. 030 20372 0 www.wias-berlin.de
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrGlücksrad-Aufgabe. Das Glücksrad ist in 2 Sektoren mit den Zahlen 1 (Winkel 120 ) und 2 eingeteilt.
Glücksrad-Aufgabe Das Glücksrad ist in Sektoren mit den Zahlen (Winkel ) und eingeteilt. a) Das Glücksrad wird dreimal gedreht. Wie groß ist die Wahrscheinlichkeit für die folgenden Ereignisse: A: Die
MehrDeskriptive 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
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Sommer 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
Mehr