Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
|
|
- Minna Rothbauer
- vor 7 Jahren
- Abrufe
Transkript
1 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 Standard-Normalverteilung Die allgemeine Normalverteilung Statistik 2 für SoziologInnen 2 Normalverteilung 1
2 Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable für stetige Merkmale gibt es einige technische Probleme Die Wahrscheinlichkeit einen bestimmten konkreten Wert zu beobachten ist null, da es ja unendlich viele unterschiedliche Wert gibt. Eine stetige Zufallsvariable liefert daher Wahrscheinlichkeitswerte immer nur für Intervalle. Man erhält Wahrscheinlichkeiten indem man eine Fläche evaluiert. Konkret betrachtet man das Integral unter der Dichtefunktion, die das stetige Analogon zur Wahrscheinlichkeitsfunktion bildet. Statistik 2 für SoziologInnen 3 Normalverteilung Dichtefunktion f(x) Dichtefunktion 1) f(x) > 0 für alle x 2) Gesamte Fläche unter der Kurve ist 1 Einzelne Werte von f(x) können größer als 1 sein! f(x) ist eine Dichte aber keine Wahrscheinlichkeit Vergleiche dazu das Histogramm, wo auch die Fläche als Maß für die Häufigkeit fungiert Statistik 2 für SoziologInnen 4 Normalverteilung 2
3 Stetige Verteilungsfunktion Die theoretische Verteilungsfunktion einer steigen Zufallsvariablen X mit Dichtefunktion f(x) bezeichnen wir mit F(x) Die theoretische Verteilungsfunktion wird durch das Integral (stetiges Analogon zur Summe) definiert x F( x) P( X x) f ( udu ) Statistik 2 für SoziologInnen 5 Normalverteilung Beziehung zwischen Dichte- und Verteilungsfunktion Dichtefunktion f(x) Verteilungsfunktion F(x) 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0-3,5-3,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 1 0,8 0,6 0,4 0, Statistik 2 für SoziologInnen 6 Normalverteilung 3
4 Wahrscheinlichkeiten als Integral P(a X b) = P(X b) - P(X a) = F(b) - F(a) P(a X b) f (x)dx b a Statistik 2 für SoziologInnen 7 Normalverteilung Erwartungswert und Varianz einer stetigen ZV E(X) x f(x)dx V(X) ² [x E(X)]² f(x)dx Var(X) = E(X 2 ) [E(X)] 2 Statistik 2 für SoziologInnen 8 Normalverteilung 4
5 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 Bezeichnungen: Gaußsche Glockenkurve;Fehlerkurve Natürliche Prozesse Körpergröße, Gewicht von Lebewesen Messung von physikalischen Größen Messfehlermodell Variable, die sich aus der Summe von vielen zufälligen Einzelwerten ergeben zentraler Grenzwertsatz Statistik 2 für SoziologInnen 9 Normalverteilung Dichtefunktion In der einfachsten Form: Standardnormalverteilung X~N(0; 1) E(X)=0 Erwartungswert = 0 V(X)=1 Varianz bzw. Standard-Abweichung =1 fx ( ) 1 2 e x 2 / 2 Statistik 2 für SoziologInnen 10 Normalverteilung 5
6 Die Standard-Normalverteilung Wendepunkte Statistik 2 für SoziologInnen 11 Normalverteilung Die Standard-Normalverteilung Flaeche = 0, Die Wahrscheinlichkeit, dass die Zufallsvariable einen Wert im Bereich -1 bis +1 annimmt ist 68,27% Statistik 2 für SoziologInnen 12 Normalverteilung 6
7 Flaeche = 0, Die Wahrscheinlichkeit, dass die Zufallsvariable einen Wert im Bereich -2 bis +2 annimmt, ist rund 95% Allgemein: Bei einem normalverteilten Merkmal liegen rund 95% der Beobachtungen liegen im Bereich Erwartungswert plus/minus 2*Standardabweichung Statistik 2 für SoziologInnen 13 Normalverteilung Varianten der Normalverteilung Im allgemeinen: Normalverteilung mit Erwartungswert und Varianz ² X~N( ; ²) E(X) = V(X) = ² fx ( ) 1 2 e 1 x 2 ( ) 2 Statistik 2 für SoziologInnen 14 Normalverteilung 7
8 Verschiedene Normalverteilungen Standardnormalverteilung N(0; 0,25) Kleinere Varianz N(0; 1) Größere Varianz N(0; 4) Statistik 2 für SoziologInnen 15 Normalverteilung Verschiedene Normalverteilungen N(-3; 0,25) Verschiebung und Stauchung N(0; 1) N(2; 1) Unterschiedlicher Erwartungswert bei konstanter Varianz Statistik 2 für SoziologInnen 16 Normalverteilung 8
9 Lineartransformation Wenn X eine normalverteilte Zufallsvariable ist, dann ist auch Y=a+bX normalverteilt. E(Y)=E(a+bX)=a+bE(X) V(Y)=V(a+bX)=b²V(X) Knapp formuliert: Sei X~N( ²) und Y=a+bX dann gilt Y~N(a+b ; b² ²) Änderung des Erwartungswertes: Verschiebung (Translation) Änderung der Varianz: Dehnung oder Stauchung der Verteilungsform Prinzipielle Gestalt der Glockenkurve bleibt erhalten Statistik 2 für SoziologInnen 17 Normalverteilung Standardisierung Aus dem vorigen folgt: Sei X~N( ²) dann gilt für Z=(X- standardisierte Variable Z~N(0;1) Durch Anwendung der Standardisierung lässt sich jede Normalverteilung in die Standardnormalverteilung überführen. Daher reichen Tabellen für Wahrscheinlichkeiten der Standardnormalverteilung für alle Fragestellungen Statistik 2 für SoziologInnen 18 Normalverteilung 9
10 Standardisierung Anwendungsbeispiel: X sei die Körpergröße in cm von einer bestimmten Population Es sei X~N(175; 64) dann ist Z=(X-175)/8 Frage: P(167<X<183)=? P(167<X<183)= =P(( )/8<Z<( )/8)= =P(-1<Z<1)=0,6826 Bei Kenntnis des Mittelwertes und der Varianz lassen sich unter der Modellannahme, dass das Merkmal normalverteilt ist, die Wahrscheinlichkeit für alle denkmöglichen Fragestellungen mit der Standardnormalverteilung ermitteln. Statistik 2 für SoziologInnen 19 Normalverteilung Unterschiedlicher Maßstab! N(175; 64) Koerpergroesse in cm N(0; 1) Standardeinheiten Statistik 2 für SoziologInnen 20 Normalverteilung 10
11 Bestimmung von Wahrscheinlichkeiten Die Verteilungsfunktion der Standardnormalverteilung ergibt sich durch Integration der Dichtefunktion Unterschiedliche Notation: Bleymüller: F N (z) Schlittgen: (z) z u 2 F ( z) e du N 2 Statistik 2 für SoziologInnen 21 Normalverteilung Von der Dichte zur Verteilungsfunktion Dichtefunktion Verteilungsfunktion P(X<1)=0, P(X<1)=0, Statistik 2 für SoziologInnen 22 Normalverteilung 11
12 -3,5-3,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5-3,5-3,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5-3,5-3,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 0,45 0,4 0,35 0,3 0,25 Dichtefunktion Verteilungsfunktion 1 0,8 0,6 0,2 0,15 0,4 0,1 0,2 0, Grenzwert: -1 Prob(Z<-1)= 0,15866 Dichtefunktion Verteilungsfunktion 0,45 1 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,8 0,6 0,4 0,2 0, Grenzwert: 0 Prob(Z<0)= 0,5 Dichtefunktion Verteilungsfunktion 0,45 1 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,8 0,6 0,4 0,2 0, Grenzwert: 1 Prob(Z<1)= 0,84134 Statistik 2 für SoziologInnen 23 Normalverteilung Ausnützung der Symmetrie um Null P(Z < a) = 1 - P(Z < -a) oder P(Z < -a) = 1 - P(Z < a) aa aa P(Z>a) = P(Z<-a) Statistik 2 für SoziologInnen 24 Normalverteilung 12
13 Arbeit mit Tabellen: P(Z<1)=? (1) liegt zwischen 0,841 und 0,842 Grob: P(Z<1) = (1) = 0,8415 Lineare Interpolation: P(Z<1) = (1) = 0,8413 P(Z<-1)=? (a)=1- (-a) bzw. (-a)=1- (a) P(Z<-1)=1 - (1) = 1-0,8413 = 0,1587 (-1) liegt zwischen 0,158 und 0,159 Statistik 2 für SoziologInnen 25 Normalverteilung Beispiel Wir wollen für eine Normalverteilung mit Erwartungswert 170 und Standardabweichung 16 die Wahrscheinlichkeit einen Wert kleiner als 180 zu erhalten ermitteln. P(X<180) = =P(Z<( )/16)=P(Z<0,625)=F N (0,625)= =0,734 Statistik 2 für SoziologInnen 26 Normalverteilung 13
14 Normalverteilung in Excel: NORMVERT Für eine Normalverteilung mit Erwartungswert 170 und Standardabweichung 16 gilt, dass die Wahrscheinlichkeit einen Wert kleiner als 180 zu erhalten 73,4% beträgt. Statistik 2 für SoziologInnen 27 Normalverteilung Wahrscheinlichkeiten der Normalverteilung Statistik 2 für SoziologInnen 28 Normalverteilung 14
15 Erwartungswert: 170 Varianz: 256 Standardabweichung: 16,0000 0,0300 0,0250 0,7340 0,2660 Grenzwert: 180 0,0200 Prob(X < 180) = 0,7340 Prob(X > 180) = 0,2660 0,0150 0,0100 0,0050 Hinweis: Eingabefelder für die Parameter der Normalverteilung und dem gewünschten Grenzwert sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,4400 Statistik 2 für SoziologInnen 29 Normalverteilung X~N(175; 64) P(X<175)=? P(Z<( )/8) = (0)= 0, P(X<175) Koerpergroesse in cm P(Z<0) Standardeinheiten Statistik 2 für SoziologInnen 30 Normalverteilung 15
16 X~N(175; 64) P(X<175)=? P(Z<( )/8) = (0)= 0,5 P(X<181)=? P(Z<( )/8) = (0,75)= 0,7734 P(X>177)=? P(Z>( )/8)= =1-P(Z<0,25)= =1- (0,25)= =1-0,5987=0,4013 Beispiel zur Körpergröße E(X)= 175 V(X)= 64 (X)= 8 Grenzwert: 181 Dieser Wert kann variiert werden P(X<181)= 77, % P(X>181)= 22, % Statistik 2 für SoziologInnen 31 Normalverteilung P(X<181)= Koerpergroesse in cm Statistik 2 für SoziologInnen 32 Normalverteilung 16
17 P(X>177)= Koerpergroesse in cm Statistik 2 für SoziologInnen 33 Normalverteilung Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0,0500 0,7734 0,2266 Grenzwert: 181 0,0400 Prob(X < 181) = 0,7734 Prob(X > 181) = 0,2266 0,0300 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und dem gewünschten Grenzwert sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 34 Normalverteilung 17
18 Beispiel IQ-Test E(X)= 100 V(X)= 225 (X)= 15 4-Sigma Gesellschaft Personen mit einem IQ über 160 P(X>100+4* )=? 100+4*s= 160 P(X>160)= 0,00317% Bei ,17 1 von In Österreich leben: Menschen Österreicher in 4-Sigma 254 Statistik 2 für SoziologInnen 35 Normalverteilung Wahrscheinlichkeiten für Intervalle P(a<X<b) = P(X<b) P(X<a) X~N(175; 64) P(177<X<181) =? P(X<181) - P(X<177) = =P(Z<( )/8) - P(Z<( )/8) = = (0,75) - (0,25) = = 0,7734-0,5987 = 0,1747 Statistik 2 für SoziologInnen 36 Normalverteilung 18
19 P(177<X<181)= Koerpergroesse in cm Statistik 2 für SoziologInnen 37 Normalverteilung Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0,0500 0,5987 0,1747 0,2266 Untergrenze: 177 Obergrenze: 181 Prob(177< X < 181) = 0,1747 Prob( X < 177) = 0,5987 Prob( X > 181) = 0,2266 0,0400 0,0300 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und die Grenzwerte sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 38 Normalverteilung 19
20 Symmetrische Intervalle P(-1<Z<1)=? P(-1<Z<1)= (1) - (-1)= 0,8413-0,1587 = 0,6826 P(-a<Z<a)=P(Z<a)-P(Z<-a)= (a)-(1- (a))=2 (a)-1 P(-a<Z<a)=2 (a)-1 P(-1<Z<1)= 2* (1) -1=2*0,8413-1=0,6826 Statistik 2 für SoziologInnen 39 Normalverteilung X~N(175; 64) Wie groß ist die Wahrscheinlichkeit, dass eine Person maximal 8 cm vom Erwartungswert abweicht? P(167<X<183) = (( )/8) - (( )/8) (1) - (-1) = 0,8413-0,1587 = 0,6827 P(167<X<183) = 2* (( )/8) -1= = 2* (1)-1 = 2*0, = 0,6827 Statistik 2 für SoziologInnen 40 Normalverteilung 20
21 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0,0500 0,1587 0,6827 0,1587 maximale Abweichung: 8 0,0400 Prob(167< X < 183) = 0,6827 Prob(X < 167) = 0,1587 Prob(X > 183) = 0,1587 0,0300 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und die maximale Abweichung sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 41 Normalverteilung Inverse Fragestellung Gesucht sind Quantilwerte z für die bestimmte Wahrscheinlichkeitsaussagen gelten: P(Z< z ) = (z ) = P(Z<z ) = z Nachschlagen in der Tabelle: ==> z Gesucht ist jene Körpergröße x für die gilt, daß die Wahrscheinlichkeit P(X<x )=0,9 Lösung: x = + z x = ,2816*8 Statistik 2 für SoziologInnen 42 Normalverteilung 21
22 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0, ,2524 0,9000 0,1000 Wahrscheinlichkeit: 0,9 Quantil von Z~N(0;1): 1,2816 0,0400 0,0300 Grenzwert = 185,2524 Prob(185,25 < 0,9) = 0,9000 Prob(185,25 > 0,9) = 0,1000 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und der gewünschten Wahrscheinlichkeit sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 43 Normalverteilung Normalverteilung in Excel: NORMINV Für eine Standardnormalverteilung gilt, dass die Wahrscheinlichkeit einen Wert kleiner als 1, zu erhalten 95% beträgt. Statistik 2 für SoziologInnen 44 Normalverteilung 22
23 Zentrale Schwankungsintervalle (Streubereiche) symmetrische Intervalle um den Erwartungswert [ -c; +c] Von Interesse sind Aussagen der Form a) P( -c < X < +c) =? b) P( -? < X < +?) = 1- Beispiel für a) Wie groß ist die Wahrscheinlichkeit, dass eine Person maximal 8 cm vom Erwartungswert abweicht? Beispiel für b) Wie groß ist das symmetrische Intervall in welchem Personen mit einer Wahrscheinlichkeit 1- liegen? Wir ordnen dem zentralen Schwankungsbereich die Wahrscheinlichkeit 1- zu. Dadurch kommt außerhalb des Bereichs an jedem Ende eine Randwahrscheinlichkeit von /2 zustande. Statistik 2 für SoziologInnen 45 Normalverteilung Konzept zentraler Schwankungsintervalle alpha/2 1-alpha alpha/ Statistik 2 für SoziologInnen 46 Normalverteilung 23
24 Zentrale Schwankungsintervalle Sei X~N(, ²) so ergibt sich das zentrale Schwankungsintervall,welches eine Wahrscheinlichkeit von 1- abdeckt durch: [ -z 1- /2 ; + z 1- /2 ] bzw. P( - z 1- /2 < X < + z 1- /2 ) = 1- Für =0,1 ( =0,05; =0,01) ergibt sich aus der Tabelle für z 1- /2 d.h. P( - 1,6449 < Z < + ) = 0,9 P( - 1,96 < Z < + ) = 0,95 P( - 2,5758 < Z < + 2,5758) = 0,99 Statistik 2 für SoziologInnen 47 Normalverteilung X~N(175; 64) Gesucht ist ein zentrales Schwankungsintervall, das eine Wahrscheinlichkeit von 0,95 aufweist P( - z 1- /2 < X < + z 1- /2 ) = 1- = 0,05 1- /2 = 0,975 P(175-1,96*8 < X < ,96*8) = 0,95 P(159,32 < X < 190,68) = 0,95 Falls man eine höhere Wahrscheinlichkeit anstrebt wird das Intervall größer: P(175-2,5758 *8 < X < ,5758 *8) = 0,99 P(154,39 < X < 195,61) = 0,99 Statistik 2 für SoziologInnen 48 Normalverteilung 24
25 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 Wahrscheinlichkeit des zentralen Intervalls 1- : 0,95 1- /2 Quantil von Z~N(0;1): 1,9600 0,0600 0,0500 0,0400 0, ,32 0,95 190,68 Prob(159,32< X < 190,68) = 0,9500 Untergrenze: 159,32 Obergrenze: 190,68 Hinweis: Eingabefelder für die Parameter der Normalverteilung und die Wahrscheinlichkeit für das zentrale Intervall sind hellgrün markiert. 0,0200 0,0100 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 49 Normalverteilung Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 Wahrscheinlichkeit des zentralen Intervalls 1- : 0,99 1- /2 Quantil von Z~N(0;1): 2,5758 0,0600 0,0500 0,0400 0, ,39 0,99 195,61 Prob(154,39< X < 195,61) = 0,9900 Untergrenze: 154,39 Obergrenze: 195,61 Hinweis: Eingabefelder für die Parameter der Normalverteilung und die Wahrscheinlichkeit für das zentrale Intervall sind hellgrün markiert. 0,0200 0,0100 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 50 Normalverteilung 25
26 Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten Ausgangsverteilung konvergiert nämlich die Verteilungsfunktion einer Summe gegen die Normalverteilung. (sehr grob formuliert) Ist die Anzahl der Summanden (n) hinreichend groß, so kann in der Praxis die Verteilung einer Summe durch die Normalverteilung approximiert werden. Die Frage, ab wann n hinreichend groß ist, hängt von der gewünschten Genauigkeit und der Form der Ausgangsverteilung ab. Statistik 2 für SoziologInnen 51 Normalverteilung Was wir uns merken sollten Wie eine stetige Zufallsvariable mittels Dichtefunktion und Verteilungsfunktion beschrieben wird Einige wichtige Eigenschaften der Normalverteilung (Symmetrie, zentrale Schwankungsintervalle [z.b. 95% plus/minus 2xStandardabweichung], Lineartransformationen) Wie man mittels Tabellen oder Excel konkrete Wahrscheinlichkeiten bestimmen kann Statistik 2 für SoziologInnen 52 Normalverteilung 26
Marcus 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
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
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
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
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
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
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
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
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
MehrNormalverteilung. Erwartungswert, Median und Modus sind identisch. Symmetrieeigenschaft um den Erwartungswert
Normalverteilung Stetige Wahrscheinlichkeitsverteilung, die zahlreiche natur, wirtschafts und sozialwissenschaftliche Merkmalsausprägungen mit guter Näherung abbilden kann und somit von elementarer Bedeutung
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
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
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
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
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:
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
MehrKapitel 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
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
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
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
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
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
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:
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
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
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
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
MehrSprechstunde zur Klausurvorbereitung
htw saar 1 Sprechstunde zur Klausurvorbereitung Mittwoch, 15.02., 10 12 + 13.30 16.30 Uhr, Raum 2413 Bei Interesse in Liste eintragen: Max. 20 Minuten Einzeln oder Kleingruppen (z. B. bei gemeinsamer Klausurvorbereitung)
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
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
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,
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrMathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^2],{x,0,10}] 76
4. Normalverteilung Gauß'sche Glockenkurve: P(a X b) = b 1 x 1 a e dx 1 0.8 0.6 0.4 0. 4 6 8 10 Mathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^],{x,0,10}] 76 Zentraler Grenzwertsatz: Es sei X 1, X,... eine
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
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
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. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
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)
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
MehrKennwerteverteilungen von Häufigkeiten und Anteilen
Kennwerteverteilungen von Häufigkeiten und Anteilen SS200 6.Sitzung vom 29.05.200 Die hypergeometrische Verteilung Wahrscheinlichkeitsverteilung der Häufigkeit eines binären Merkmals bei Einfacher Zufallsauswahl
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrÜbung 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
Mehr1 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
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 11. Winterthur, 10. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 10. Mai 017 1 Zufallsvariablen:
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
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
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
MehrWiederholung Analysis
Wiederholung Analysis F( x) sei Stammfunktion zu f( x) f( x) dx = F( x) F ( x) = f( x) Bestimmtes Integral b a f ( x) dx = F( b) F( a) Uneigentliche Integrale x x x f() t 0 F( x) = f() t dt ist monoton
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,
MehrStatistik 1 Beispiele zum Üben
Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
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
MehrVet. Med. Uni. Budapest 5. Übung Biomathematik 2017
5. Übung (Normalverteilung) Die Normalverteilung spielt eine sehr wichtige Rolle in den Biowissenschaften, unter anderem auch in der Tiermedizin. Ihre Wichtigkeit beruht an dem sog. zentralen Grenzwertsatz.
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
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrKapitel 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
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
Mehr6. 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,
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrHandelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?
1. Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen? a.) Anzahl der Kunden, die an der Kasse in der Schlange stehen. b.) Die Menge an Energie, die pro Tag von einem Energieversorgungsunternehmen
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
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
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
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
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrWahrscheinlichkeitsrechnung 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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
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:
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)
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
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+
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
MehrVorlesung 5b. Zufallsvariable mit Dichten
Vorlesung 5b 1 Vorlesung 5b Zufallsvariable mit Dichten Vorlesung 5b Zufallsvariable mit Dichten Wiederholung aus Vorlesung 2b+: Kontinuierlich uniform verteilte Zufallsvariable: Sei S eine Teilmenge des
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
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
Mehr