8. Statistische Methoden in der Hydrologie 8.1 Begriffe der Statistik Menge aller möglichen Beobachtungswerte. Sie ist zahlenmäßig nicht begrenzt.
|
|
- Andrea Meinhardt
- vor 7 Jahren
- Abrufe
Transkript
1 8. Statistische Methoden in der Hydrologie 8.1 Begriffe der Statistik Grundgesamtheit: Menge aller möglichen Beobachtungswerte. Sie ist zahlenmäßig nicht begrenzt. Stichprobe: Zufällige Auswahl von N Beobachtungswerten aus der Grundgesamtheit. Alle Elemente der Grundgesamtheit haben die gleiche Chance, in die Stichprobe ausgewählt zu werden. Beobachtungsintervall t: Zeitabstände zwischen den regelmäßig erfolgenden Beobachtungen. Umfang: Zeitraum, über den beobachtet wurde. t e - t 0 = N t (8.1a) Stichprobenumfang, Beobachtungsanzahl N: Gesamtzahl der Beobachtungen innerhalb des Umfangs N = (t e - t 0 ) / t (8.1b) Ausdehnung, Spannweite: Spanne, innerhalb der die Beobachtungswerte liegen. Spannweite = x max - x min (8.2) Abb. 8.1: Statistische Definitionen für eine Zeitreihe Klasse: Ganzzahliger Teil der Ausdehnung. Die k Klassen entstehen durch eine Einteilung der Ausdehnung in eine ganzzahlige Anzahl k von Intervallen gleicher Intervallbreite bzw. Klassenbreite x. Der Zweck der Klasseneinteilung ist die Beschaffung von Werten für FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.1
2 die Verteilungsdichte (siehe nächstes Blatt). Die Zahl k der Intervalle, in die die Stichprobe einzuteilen ist, muß sich nach dem Stichprobenumfang N richten, denn sie sollte so gewählt werden, daß in jede Klasse eine ausreichende Anzahl von Werten fällt. Gleichzeitig sollte k größer als 5 sein, um die Form von Dichte- oder Verteilungsfunktion erkennen zu lassen. erforderliche Anzahl der Klassen: k 5 log N; oder k 1 + 3,32 log N k 5 Klassenbreite: x = (x max - x min ) / k (8.3) 8.2 Häufigkeiten und Verteilungen Häufigkeitsmaße Nach der Zuordnung der Beobachtungswerte in die Klassen erhält man für jede Klasse eine Zahl, die angibt, wieviele Beobachtungswerte innerhalb der Klassengrenzen liegen. absolute Häufigkeit n i : Häufigkeit des Auftretens der diskreten Variablen x (Beobachtungswerte) innerhalb der i-ten Klasse Die Summe aller absoluten Häufigkeiten n muß dem Stichprobenumfang entsprechen: k N n i i1 (8.4) Abb. 8.2: Aufteilung einer Zeitreihe in Häufigkeitsklassen FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.2
3 relative Häufigkeit f i : Bezieht man die absolute Auftretenshäufigkeit n i einer Klasse auf die Gesamt-zahl der Beobachtungen, erhält man die relative Häufigkeit, d.h. die relative Häufigkeit des Auftretens in der i-ten Klasse. f i n i k n i i1 (8.5) Damit gilt: k f i 1 und 0f i <1 i1 (8.6) Häufigkeitsaussagen beziehen sich immer auf Stichproben, Wahrscheinlichkeitsaussagen immer auf die Grundgesamtheit Relative Häufigkeit und Dichtefunktion Die mit Hilfe der Zuordnung der Beobachtungswerte in die Klassen gewonnenen Häufigkeitszahlen lassen sich über der Ausdehnung (x max - x min ) auftragen. Es entsteht ein Histogramm der absoluten bzw. relativen Häufigkeiten. Dividiert man die relativen Häufigkeiten durch die Intervallbreite x, erhält man die diskrete Verteilung der Häufigkeitsdichte. Abb. 8.3: Relative Häufigkeit und Dichtefunktion FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.3
4 Die Dichtefunktion p(x) ist eine kontinuierliche Darstellung der auf eine gegen Null gehende Klassenbreite (x 0) bezogene relative Häufigkeit p(x) n i Nx i n = Häufigkeit in der Klasse i (8.7) Die Fläche unter der Dichtefunktion hat ebenso wie die Fläche unter der diskreten relativen Häufigkeitsdichte (Histogramm) den Wert 1. k 1 x f i x 1 i1 p(x)dx 1 (8.8) Summenhäufigkeit und Verteilungsfunktion Den Anteil h (x < x1) aller Beobachtungen, die einen bestimmten Wert x 1 unterschreiten, erhält man durch Addieren der relativen Häufigkeiten in allen Klassen, die kleiner sind als x 1. Die Zunahme dieses Anteils für ansteigendes x 1 wird dargestellt durch die relative Summenhäufigkeit. Die Treppenkurve der Summenhäufigkeit entsteht demnach durch Addition der Blöcke aus dem Histogramm der relativen Häufigkeit. In kontinuierlicher Darstellung bedeutet diese analog die Integration der Dichtefunktion zu einer Verteilungsfunktion P(x). Die Verteilungsfunktion gibt für einen beliebigen Wert x 1 jeweils an, welcher Anteil der Daten diesen Wert unterschreiten. Dies ist gleichbedeutend mit der Wahrscheinlichkeit der Unterschreitung dieses Grenzwertes. Es gilt also: P(x i ) x 1 x p(x) dx (8.9) ist die Wahrscheinlichkeit P(x < x i ) (Unterschreitungswahrscheinlichkeit). Für die komplementäre Wahrscheinlichkeit (Überschreitungswahrscheinlichkeit) W(x) = P(x >x i ) gilt dann wegen P(x < ) = 1: FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.4
5 Abb. 8.4: Verteilungsfunktion und Summenhäufigkeit Statistische Parameter von Verteilungen Diskrete Verteilungen Die wichtigsten Parameter zur Beschreibung der statistischen Eigenschaften von diskreten Verteilungen sind: Zentralmaße: Mittelwerte: arithmetisches Mittel: x 1 n i1 x i (8.10) geometrisches Mittel: x g n x 1 x 2...x n (8.11) harmonisches Mittel: x h n n i1 1 x i (8.12) Es gilt: x h x g x FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.5
6 Median: Wert, der genauso oft über- wie unterschritten wird (50% kleiner, 50% größer). Teilt die Dichtefunktion in zwei flächengleiche Hälften. Modalwert: Das Dichtemittel (Modalwert D) kennzeichnet denjenigen Wert, bei dem die Dichtefunktion ihr Maximum aufweist. Streuungsmaß: Als Maß der Streubreite der Werte um den Mittelwert wird üblicherweise die Standardabweichung s oder die Varianz s 2 verwendet. Standardabweichung der Stichprobe: s (x i x) 2 N1 s x 2 (x) 2 /N N1 (8.13) Standardabweichung der Grundgesamtheit: (x i x) 2 N (8.14) Variationskoeffizient: Bezieht man die Standardabweichung auf den Mittelwert der Daten, resultiert der Variationskoeffizient C v : C v s x x 0 (8.15) Schiefe: Die Abweichung der Dichtefunktion von einer symmetrischen Form wird durch die Schiefe beschrieben. Die Schiefe drückt sich in einem Auseinanderwandern von Mittelwert und Modalwert aus. Meist wird der Schiefekoeffizient C S verwendet: Schiefe: (x i x) 3 (N1)(N2) ; C s s 3 N (8.16) Schiefekoeffizient: C s N (x i x) 3 (N1)(N2)s 3; C s N s 3 (8.17) FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.6
7 Berechnungsformel: N x 3 i 3x i x 2 i 2(x i ) 3 /N N (N1)(N2) (8.18) Kontinuierliche Verteilungen Im Falle von kontinuierlichen Verteilungen mit Dichtefunktionen p(x) ergibt sich für den Mittelwert x - : x x p(x) dx (8.19) die Varianz 2 2 (xx) 2 p(x)dx (8.20) den Schiefekoeffizienten C s C s 1 3 (xx) 3 p(x)dx (8.21) Normalverteilung (Gauss-Verteilung) Die Streuung zufallsbeeinflußter additiv zusammengesetzter Größen um einen Mittelwert wird durch die Normalverteilung (auch Gauss-Verteilung) beschrieben. Dichtefunktion p(x) 1 2 exp (xx)2 2 2 (8.22) Bezeichnet man die als Vielfache der Standardabweichung ausgedrückte Differenz zwischen dem x-wert und dem Mittelwert m als z z (xx) (8.23) FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.7
8 lautet die Dichtefunktion der Normalverteilung in normierter Form: p(z) 1 exp z (8.24) Abb. 8.5: Dichtefunktion der Normalverteilung Die zugehörige Summenhäufigkeits- (Verteilungs) Funktion P(z) 1 z 2 exp 2 2 d (8.25) ist nicht analytisch angehbar und daher tabelliert. Häufiger als die Unterschreitungswahrscheinlichkeit P(x) wird in der Hydrologie die Überschreitungswahrscheinlichkeit W(x) = 1- P(x) betrachtet. Letzere ist in der Tabelle auf dem folgenden Blatt für die normierte Darstellung angegeben. Die Normalverteilung ist 2-parametrig und symmetrisch. Der Schiefekoeffizient C S ist deshalb gleich null. FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.8
9 Tab. 8.1: Tabelle der standardisierten Normalverteilung W(x) = 1 - P(x) Dabei ist in der Tabelle der normierte Abszissenwert z (xx) (8.26) FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.9
10 8.3 Empirische Wahrscheinlichkeiten für hydrologische Vorhersagen Die relative Häufigkeitsverteilung aus gemessenen oder real vorgegebenen Werten (Stichproben) ist für die direkte Ermittlung von Über- (W(x)) oder Unterschreitungs (P(x)) - wahrscheinlichkeiten nicht geeignet, da sie für die Kleinst- bzw. Größtwerte die Über- bzw. Unterschreitungs-wahrscheinlichkeiten 1 liefert. Es werden deshalb sogenannte "Empirische P(x) bzw. W(x) mc N12c (8.27) Wahrscheinlichkeiten" verwendet, bei denen die Unterschreitungswahrscheinlichkeit oder Überschreitungs-wahrscheinlichkeit für Stichproben wie folgt berechnet wird: m = Rangfolgen-Nummer, wobei gilt: (a) Bekommt der Größtwert den Rang 1 erhält man die Überschreitungswahrscheinlichkeit W(x), (b) Bekommt der Größtwert den Rang N, erhält man die Unterschreitungswahrscheinlichkeit P(x) N = Stichprobenumfang (Zahl der Werte) c = Parameter (siehe unten) P = Unterschreitungswahrscheinlichkeit W = Überschreitungswahrscheinlichkeit Für den Parameter c werden von verschiedenen Autoren folgende Werte vorgeschlagen: (Quelle: Maniak, 1992) Wert c Autor Anwendung bei c = 0 c.= 0,5 c = 0,3 c = 0,4 c = 0,44 c = Weibull Hazen Chegodayev Young Gringorten Blom Hochwasser (= HQ), C S 0 unbekannter Verteilung, HQ unbekannter Verteilung, HQ Niedrigwasser (=NQ), C S ~ 0 Hochwasser bei Gumbell-Papier Normalverteilung (HQ, NQ) Häufig wird nach Weibull der Parameter c vernachlässigt (c = 0). FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.10
11 Häufiger als die Unterschreitungswahrscheinlichkeit P(x) wird in der Hydrologie die Überschreitungswahrscheinlichkeit W(x) betrachtet. Als Maßzahl für die Überschreitungshäufigkeit wird oft die Jährlichkeit oder auch die Wiederkehrzeit T bzw. das Wiederkehrintervall WKI benutzt. W(x) 1P(x) T 1 W(x) (8.28) Dabei gilt: Ein hundertjährliches Jahreshochwasser (HQ 100 ) hat danach zum Beispiel eine mittlere Kehrzeit von 100 Jahren (T = WKI = 100 a) oder eine Überschreitungshäufigkeit W von 0,01 bzw. 1%. Beispiel 8.1: Erstellung einer Wahrscheinlichkeitskurve für ein 25-jähriges Hochwasser nach Weibull Abb. 8.6: Überschreitungwahrscheinlichkeit und Wiederkehrzeit für ein 25-jähriges Hochwasser FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.11
12 Beispiel 8.2: Erstellung einer Wahrscheinlichkeitskurve für den jährlichen Niederschlag in Los Angeles und Richmond (Virginia). (1) Die Daten sind in Tab. 8.2 enthalten; (2) Die Rangordnungen m und die Überschreitungswahrscheinlichkeit W(x) (in %) sind in Tab. 8.3 enthalten; (3) Die Plots für W(x) und P(x) sind in Abb. 8.7 dargestellt. Die Verteilungen sind in diesem Fall auf spezielles Wahrscheinlichkeitspapier aufgetragen. Man erhält dann i.a. eine Gerade. Tab.8.2: Jährlicher Niederschlag für drei ausgewählte Städte in den USA (Viessman and Lewis, 1996) ANNUAL RAINFALL FOR SELECTED CITIES Year Anniston, AL Los Angeles, CA Richmond, VA FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.12
13 Tab.8.3: Rangordnungen und Überschreitungswahrscheinlichkeit W(x) für Station Richmond und Los Angeles (Viessman and Lewis, 1996) m Richmond Los Angeles 100m / (n+1) ,2 8,3 12,5 16,7 20,8 25,0 29,2 33,3 37,5 41,7 45,8 50,0 54,7 58,3 62,5 66,7 70,8 75,0 79,7 83,3 87,5 91,7 95,8 FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.13
14 Abb. 8.7: Überschreitungs- und Unterschreitungswahrscheinlichkeiten für die Station Los Angeles (unten ) und Richmond (oben) (Viessman and Lewis, 1996) FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.14
15 8.4 Wasserwirtschaftliche Hauptwerte Für einige der aus einer statistischen Auswertung resultierenden Parameter insbesondere für Wasserstände und Abflüsse wurden feste abgekürzte Bezeichnungsweisen eingeführt, die in der Norm DIN 4049 Teil 1 festgelegt sind (Abb. 8.8): Bezeichnungen: N M H Niedrig Mittel Hoch In einer Zeitreihe von 1a MN MH Mittel von N, H über mehrjährigen Zeitraum Diese Abkürzungen werden gekoppelt mit den hydraulischen/hydrologischen Größen kombiniert. W Wasserstand Q Abfluß q spezifischer Abfluß h N Niederschlagshöhe Beispiele: NNQ niedrigster je beobachteter Abfluß HHW höchster je beobachteter Wasserstand MNQ mittleres Jährliches Niedrigwasser HW (1989) größter Hochwasserstand in 1989 Kennzeichnung von Hoch- bzw. Niedrigwasserereignissen einer bestimmten Wiederkehrzeit: HQ m Jährlichkeit bzw. Wiederkehrzeit Beispiele: HQ 100 NW 10 = 100-jährliches Hochwasser = Niedrigwasserstand, der im Mittel nur einmal in 10 Jahren erreicht oder unterschritten wird. FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.15
16 Abb. 8.8: Auszug: DIN 4049 Teil 1, Entwurf 1989 FG Geohydraulik und Prof. Dr. rer. nat. M. Koch 8.16
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
MehrDeskriptive Statistik 1 behaftet.
Die Statistik beschäftigt sich mit Massenerscheinungen, bei denen die dahinterstehenden Einzelereignisse meist zufällig sind. Statistik benutzt die Methoden der Wahrscheinlichkeitsrechnung. Fundamentalregeln:
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
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
MehrDr. Reinhard Vonthein, Dipl. Statistiker (Univ.)
Dr. Reinhard Vonthein, Dipl. Statistiker (Univ.) Reinhard.Vonthein@imbs.uni-luebeck.de Institut für Medizinische Biometrie und Statistik Universität zu Lübeck / Universitätsklinikums Schleswig-Holstein
MehrLage- 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
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrI. 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........................
Mehr8. Statistik Beispiel Noten. Informationsbestände analysieren Statistik
Informationsbestände analysieren Statistik 8. Statistik Nebst der Darstellung von Datenreihen bildet die Statistik eine weitere Domäne für die Auswertung von Datenbestände. Sie ist ein Fachgebiet der Mathematik
MehrStatistische Grundlagen I
Statistische Grundlagen I Arten der Statistik Zusammenfassung und Darstellung von Daten Beschäftigt sich mit der Untersuchung u. Beschreibung von Gesamtheiten oder Teilmengen von Gesamtheiten durch z.b.
MehrFachrechnen für Tierpfleger
Z.B.: Fachrechnen für Tierpfleger A10. Statistik 10.1 Allgemeines Was ist Statistik? 1. Daten sammeln: Durch Umfragen, Zählung, Messung,... 2. Daten präsentieren: Tabellen, Grafiken 3. Daten beschreiben/charakterisieren:
MehrBachelor 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
MehrWahrscheinlichkeits - rechnung und Statistik
Michael Sachs Mathematik-Studienhilfen Wahrscheinlichkeits - rechnung und Statistik für Ingenieurstudenten an Fachhochschulen 4., aktualisierte Auflage 2.2 Eindimensionale Häufigkeitsverteilungen 19 absolute
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
Mehr3 Häufigkeitsverteilungen
3 Häufigkeitsverteilungen 3.1 Absolute und relative Häufigkeiten 3.2 Klassierung von Daten 3.3 Verteilungsverläufe 3.1 Absolute und relative Häufigkeiten Datenaggregation: Bildung von Häufigkeiten X nominal
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrKapitel 2. Häufigkeitsverteilungen
6 Kapitel 2 Häufigkeitsverteilungen Ziel: Darstellung bzw Beschreibung (Exploration) einer Variablen Ausgangssituation: An n Einheiten ω,, ω n sei das Merkmal X beobachtet worden x = X(ω ),, x n = X(ω
MehrThema: Mittelwert einer Häufigkeitsverteilung. Welche Informationen kann der Mittelwert geben?
Thema: Mittelwert einer Häufigkeitsverteilung Beispiel: Im Mittel werden deutsche Männer 75,1 Jahre alt; sie essen im Mittel pro Jahr 71 kg Kartoffel(-produkte) und trinken im Mittel pro Tag 0.35 l Bier.
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 23042013 Datenlagen und Darstellung eindimensionaler Häufigkeitsverteilungen
MehrKeine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MehrKapitel 1: Deskriptive Statistik
Kapitel 1: Deskriptive Statistik Grafiken 1 Statistische Kennwerte 5 z-standardisierung 7 Grafiken Mit Hilfe von SPSS lassen sich eine Vielzahl unterschiedlicher Grafiken für unterschiedliche Zwecke erstellen.
Mehr1 Verteilungen und ihre Darstellung
GKC Statistische Grundlagen für die Korpuslinguistik Kapitel 2: Univariate Deskription von Daten 8.11.2004 Univariate (= eindimensionale) Daten bestehen aus Beobachtungen eines einzelnen Merkmals. 1 Verteilungen
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
MehrN 1 0 50 0.5 50 0.5 2 1 20 0.2 70 0.7 3 2 15 0.15 85 0.85 4 3 10 0.1 95 0.95 5 4+ 5 0.05 100 1-100 1.00 - -
2 Deskriptive Statistik 1 Kapitel 2: Deskriptive Statistik A: Beispiele Beispiel 1: Im Rahmen einer Totalerhebung der Familien eines Dorfes (N = 100) wurde u.a. das diskrete Merkmal Kinderanzahl (X) registriert.
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
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Methodenlehre Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Dr. Malte Persike persike@uni-mainz.de
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrBeispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es
Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es beim radioaktiven Zerfall, zwischen 100 und 110 Zerfälle
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
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
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
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
MehrKlausur 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
MehrUniversität Gesamthochschule Kassel Prof. Dr. rer. nat. M. Koch A.0
Anhang Literaturverzeichnis Symbolverzeichnis Wasserdampfaufnahmefähigkeit der Luft Umrechnung von Einheiten hydrologischer Größen Tabelle zur Umrechnung von Niederschlagsintensitäten Eigenschaften von
Mehr1.1.1 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............
MehrEinführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
Mehr825 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
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
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
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrWahrscheinlichkeitsrechnung mathematische Statistik und statistische Qualitätskontrolle
Wahrscheinlichkeitsrechnung mathematische Statistik und statistische Qualitätskontrolle Dr. rer. nat. Regina Storm 5., verbesserte Auflage 72 Bilder, 21 Tafeln und einer Beilage VEB Fachbuchverlag Leipzig
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
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung:
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
MehrBeschreibende Statistik und der Übergang zur beurteilenden Statistik
Beschreibende Statistik und der Übergang zur beurteilenden Statistik Guido Herweyers KHBO Campus Oostende K.U.Leuven 1. Vorwort Der Einsatz des Voyage 200 erleichert die Verarbeitung von Daten und erlaubt
MehrBeschreibende Statistik Eindimensionale Daten
Mathematik II für Biologen 16. April 2015 Prolog Geordnete Stichprobe Rang Maße für die mittlere Lage der Daten Robustheit Quantile Maße für die Streuung der Daten Erkennung potentieller Eindimensionales
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrDr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen Hochschule Esslingen Übungsblatt 2. Statistik
Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen 6.10.2016 Hochschule Esslingen Übungsblatt 2 Statistik Stichworte: arithmetischer Mittelwert, empirische Varianz, empirische Standardabweichung, empirischer
MehrInhaltsverzeichnis Was man über Microsoft Excel wissen sollte
Inhaltsverzeichnis 1 Was man über Microsoft Excel wissen sollte... 1 1.1 Eingabenanalyse durch Excel... 1 1.1.1 Trennung zwischen numerischer und nichtnumerischer Eingabe. 1 1.1.2 Speicherung numerischer
MehrKapitel 38 Verteilungsdiagramme
Kapitel 38 Verteilungsdiagramme Mit Verteilungsdiagrammen können Sie grafisch untersuchen, inwieweit die Stichprobenverteilung einer Variablen mit einer theoretischen Verteilung übereinstimmt. So können
MehrLösung Aufgabe 19. ( ) = [Mio Euro]. Empirische Varianz s 2 = 1 n
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 4 Gerhard Tutz, Jan Ulbricht, Jan Gertheiss WS 07/08 Lösung Aufgabe 9 (a) Lage und Streuung: Arithmetisches Mittel x = n i=
MehrKapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße. x mod (lies: x-mod) Wofür? Lageparameter. Modus/ Modalwert Zentrum. Median Zentralwert
Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße Wofür? Lageparameter Modus/ Modalwert Zentrum Median Zentralwert Im Datensatz stehende Informationen auf wenige Kenngrößen verdichten ermöglicht
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrStatistische Auswertung in der Betriebsprüfung
Dr. Harald Krehl Der Einsatz verteilungsbezogener Verfahren Der Einsatz verteilungsbezogener Verfahren etwa des Benford- Newcomb Verfahrens oder der Normalverteilung bzw. der LogNormalverteilung in der
MehrKapitel 1: Deskriptive Statistik
Kapitel 1: Deskriptive Statistik Grafiken Mit Hilfe von SPSS lassen sich eine Vielzahl unterschiedlicher Grafiken für unterschiedliche Zwecke erstellen. Wir besprechen hier die zwei in Kapitel 1.1 thematisierten
MehrVorlesung 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:
MehrStatistik - Übungsaufgaben
Statistik - Übungsaufgaben 1) Eine vor mehreren Jahren durchgeführte Befragung von 30 Arbeitern eines Großbetriebes ergab für die Stundenlöhne folgende Liste: 16,35 16,80 15,75 16,95 16,20 17,10 16,64
MehrLagemaße Übung. Zentrale Methodenlehre, Europa Universität - Flensburg
Lagemaße Übung M O D U S, M E D I A N, M I T T E L W E R T, M O D A L K L A S S E, M E D I A N, K L A S S E, I N T E R P O L A T I O N D E R M E D I A N, K L A S S E M I T T E Zentrale Methodenlehre, Europa
MehrWelche Jährlichkeit hat das extreme Hochwasser, abgeschätzt wird?
Fachartikel I DOI: 10.5675/HyWa_2012, 2_ Schumann: Welche Jährlichkeit hat das extreme Hochwasser... Schumann, Andreas Welche Jährlichkeit hat das extreme Hochwasser, wenn es als Vielfaches des abgeschätzt
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
MehrWas ist Physik? Modell der Natur universell es war schon immer so
Was ist Physik? Modell der Natur universell es war schon immer so Kultur Aus was sind wir gemacht? Ursprung und Aufbau der Materie Von wo/was kommen wir? Ursprung und Aufbau von Raum und Zeit Wirtschaft
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+
MehrM13 Übungsaufgaben / pl
Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr
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
Mehr2 Statistische Maßzahlen
2 Statistische Maßzahlen Übersicht 2.1 Quantile, speziellmedian, QuartileundPerzentile... 25 2.2 Modus, Median, arithmetischesmittel... 28 2.3 Arithmetisches,geometrisches,harmonischesMittel... 31 2.4
MehrZufallsauswahl mit R
Zufallsauswahl mit R Wie in der Vorlesung erwähnt, werden Zufallsstichproben mit Hilfe eines Computers erzeugt. In R kann der Befehl sample() verwendet werden, um aus einer Grundgesamtheit zufällige Elemente
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrKapitel 35 Histogramme
Kapitel 35 Histogramme In einem Histogramm können Sie die Häufigkeitsverteilung der Werte einer intervallskalierten Variablen darstellen. Die Werte werden zu Gruppen zusammengefaßt und die Häufigkeiten
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrVerteilungsfunktion und dquantile
Statistik 1 für SoziologInnen Verteilungsfunktion und dquantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit die Kumulation inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal
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
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
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
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrHypothesenprüfung. 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
MehrKenn- und Schwellenwerte für Niedrigwasser
Bayerisches Landesamt für Umwelt Klimawandel und Wasserhaushalt Kenn- und Schwellenwerte für Niedrigwasser Begriffserläuterungen und Methodik für Auswertungen am LfU Vorbemerkung Das hier dargestellte
Mehr1.3 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
MehrDeskriptive 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,
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
MehrJost 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
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
Mehr9. Übungen. Statistik: Mittelwert und Standardabweichung Statistik: Median Statistik: Kennwerte
QM-Übungsaufgaben 9. Übungen F1 Statistik: Mittelwert und Standardabweichung F2 Statistik: Median F3 Statistik: Kennwerte F4 Statistik: Kennwerte F5 Lebensdauer F6 Vertrauensgrenzen und Histogramm F7 Statistik:
Mehr3.2 Streuungsmaße. 3 Lage- und Streuungsmaße 133. mittlere Variabilität. geringe Variabilität. große Variabilität 0.0 0.1 0.2 0.3 0.4 0.
Eine Verteilung ist durch die Angabe von einem oder mehreren Mittelwerten nur unzureichend beschrieben. Beispiel: Häufigkeitsverteilungen mit gleicher zentraler Tendenz: geringe Variabilität mittlere Variabilität
MehrRabea Haas, Kai Born DACH September 2010
Rabea Haas, Kai Born rhaas@meteo.uni-koeln.de DACH2010 21. September 2010 Motivation Niederschlagsdaten aus dem Gebiet des Hohen Atlas in Marokko Starke Gradienten des Niederschlags und der Höhe Komplexe
MehrStatistische Kenngrößen. Histogramm. Grundlagen zur statistischen Signalverarbeitung. Statistische Beschreibung von Audio
8.3.6 Statistische Kenngrößen Grundlagen zur statistischen Signalverarbeitung Dr. Detlev Marpe Fraunhofer Institut für achrichtentechnik HHI Histogramm Wahrscheinlichkeitsdichteverteilung Mittelwert µ
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrIf something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Warum Biostatistik?
MehrDeskriptive Statistik
Fakultät für Humanwissenschaften Sozialwissenschaftliche Methodenlehre Prof. Dr. Daniel Lois Deskriptive Statistik Stand: April 2015 (V2) Inhaltsverzeichnis 1. Notation 2 2. Messniveau 3 3. Häufigkeitsverteilungen
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
Mehr