STATISTIK 1 - BEGLEITVERANSTALTUNG
|
|
- Nicolas Färber
- vor 7 Jahren
- Abrufe
Transkript
1 STATISTIK 1 - BEGLEITVERANSTALTUNG VORLESUNG 3 - NORMALVERTEILUNG Mona Ulrich, Psychologie (M.Sc.)
2 AGENDA 01 DIE NORMALVERTEILUNG 02 ZENTRALES GRENZTHEOREM 03 Z-WERTE 04 KONFIDENZINTERVALLE 06 ÜBUNGEN Mona Ulrich, Psychologie (M.Sc.)
3 DIE NORMALVERTEILUNG Mona Ulrich, Psychologie (M.Sc.)
4 BEGRIFFLICHKEITEN Diskrete Verteilungen: Wahrscheinlichkeitsfunktion, hier hat die Zufallsvariable nur abzählbare viele Werte (z.b. Ziehen aus einer Urne) Diskrete Variablen: Ergebnisse eines Experiments werden kategorisiert oder gezählt Stetige Verteilungen: Verteilungsfunktion/Dichtefunktion, überabzählbarer Wertebereich (z.b. Körpergröße) Stetige Variablen: Werte in einem gegebenen Intervall können beliebig genau sein Bei stetigen Zufallsvariablen bezeichnet der f(x)-wert die Wahrscheinlichkeitsdichte des x-werts Wir fragen hier nach der Wahrscheinlichkeit für das Auftreten von Ereignissen, die sich in einem bestimmten Intervall befinden Mona Ulrich, Psychologie (M.Sc.)
5 DIE NORMALVERTEILUNG Wichtigste stetige Wahrscheinlichkeitsverteilung Weitere wichtige stetige Verteilungen sind aus der Normalverteilung abgeleitet: Chi-Quadrat-Verteilung, t-verteilung, F-Verteilung Sie wird häufig auch Gauß sche Glockenkurve genannt Viele Merkmale in der Bevölkerung können durch eine Normalverteilung beschrieben werden Mona Ulrich, Psychologie (M.Sc.)
6 EIGENSCHAFTEN DER NORMALVERTEILUNG Ist symmetrisch, eingipflig und glockenförmig Modalwert, Median und Mittelwert fallen zusammen Maximum liegt bei μ Verschiedene Normalverteilungen unterscheiden sich bezüglich Erwartungswert (μ) und/oder Standardabweichung (σ) hat einzig und allein diese Parameter Der Wertebereich reicht von bis + Die Verteilung nähert sich asymptotisch der x-achse Die Fläche, die von der Dichtefunktion der Normalverteilung zwischen x1 = μ + 1 σ und x1 = μ 1 σ eingeschlossen wird, ist immer gleich groß Mona Ulrich, Psychologie (M.Sc.)
7 DIE NORMALVERTEILUNG Der Parameter μ ist direkt der Erwartungswert der Normalverteilung σ ist direkt die Varianz der Normalverteilung Mona Ulrich, Psychologie (M.Sc.)
8 DICHTEFUNKTION Die Wahrscheinlichkeitsverteilung f(x) einer stetigen Zufallsvariable X wird zumeist als mathematische Funktion definiert. Sie wird bei stetigen Zufallsvariablen auch als Dichtefunktion bezeichnet. Die Dichtefunktion f(x) liefert also nicht unmittelbar die Wahrscheinlichkeiten für Ereignisse, die Wahrscheinlichkeiten ergeben sich aus der Fläche unter der Dichtefunktion Flächenanteil unterhalb der Dichte ist gleich der Wahrscheinlichkeit, dass eine Zufallsvariable dieser Verteilung in diesem Intervall liegt Mona Ulrich, Psychologie (M.Sc.)
9 BEISPIEL In einer Befragung werden Personen befragt, wie viel Geld sie im Monat frei zur Verfügung haben (nach Abgaben, Miete usw.). Das Ergebnis wird in einer Dichtefunktion dargestellt. Geht man nun an der X-Achse entlang und legt einen genauen Wert fest, zum Beispiel 123 Euro, kann man von diesem Punkt aus die Fläche berechnen, die zwischen X-Achse und Dichtefunktion links dieses Punktes liegt. Diese Fläche gibt an, wie groß der Anteil der Personen ist, die im Monat weniger als 123 Euro zur Verfügung haben. Hierzu teilt man die Größe dieser Fläche durch die Gesamtgröße der Fläche zwischen Dichtefunktion und der X-Achse. Dies kann man für jeden beliebigen Wert der X-Achse wiederholen Mona Ulrich, Psychologie (M.Sc.)
10 BERECHNUNG Dichtefunktion der Normalverteilung Beispiel: Für eine normalverteile Variable x= 30 (μ = 35; σ = 2,3) soll die Dichte berechnet werden π exp (30 35)2 2x exp Mona Ulrich, Psychologie (M.Sc.)
11 STANDARDNORMALVERTEILUNG Unter den theoretisch unendlich vielen Normalverteilungen ist die Standardnormalverteilung diejenige, bei der gilt: μ= 0 σ= 1 Die Standardnormalverteilung ist also eine N(0;1) Verteilung Mittels Z-Transformation einzelner Messwerte xi zi= xi μ σ lässt sich jede Normalverteilung in eine Standardnormalverteilung überführen Dient dazu, Werte verschiedener Populationen oder Werte von Personen aus gleichen Populationen mit verschiedenen Messverfahren vergleichbar zu machen Mona Ulrich, Psychologie (M.Sc.)
12 STANDARDNORMALVERTEILUNG Die Dichtefunktion der Normalverteilung reduziert sich damit auf Die Berechnung der Flächenanteile ist sehr aufwendig, weshalb die Flächenanteile der Standardnormalverteilung tabelliert wurden Die Fläche links vom Wert der Variable wurde tabelliert Mona Ulrich, Psychologie (M.Sc.)
13 FLÄCHENANTEILE Wichtige Punkte der Standardnormalverteilung Mona Ulrich, Psychologie (M.Sc.)
14 FLÄCHEN IN DER STANDARDNORMALVERTEILUNG Mona Ulrich, Psychologie (M.Sc.)
15 Z-TRANSFORMATION Es reicht aus, nur die Verteilungsfunktion zur Standardnormalverteilung zu tabellieren, da man Werte der Verteilungsfunktion einer beliebigen Normalverteilung durch die Transformationsregel durch Werte der Verteilungsfunktion der Normalverteilung ersetzen kann Sie transformiert die unterschiedlichen Werte zu einheitlichen (vergleichbaren) Werten Damit lassen sich Wahrscheinlichkeiten dafür ermitteln, dass ein Wert einer normalverteilten Zufallsvariablen in einem bestimmten Intervall liegen bzw. das ein Wert höchstens/mindestens eine bestimmte Größe annimmt Mona Ulrich, Psychologie (M.Sc.)
16 Z-TRANSFORMATION Auch können die anhand der Tabelle abgelesenen z-werte mit der Formel für die Z- Transformation wieder in ihre ursprünglichen xi-werte umgerechnet werden Man kann also die z-tabelle rückwärts lesen Gesucht ist der z-wert, unterhalb dem 95% aller möglichen z-werte liegen. Man sucht dazu in der Tabelle eine Wahrscheinlichkeit (1-a), die möglichst nah an den Wert 0,95 herankommt. In der Tabelle sind das die Werte 0,9495 und 0,9505 mit den z-werten 1,64 und 1,65. Durch Interpolation erhält man den gesuchten Wert z=1,645 Mathematisch : zi = xi μ σ xi = zi σ+ μ Mona Ulrich, Psychologie (M.Sc.)
17 Z-TRANSFORMATION Welche Aussagen lassen sich noch mit den z-werten machen? Man kann Prozentränge angeben Dazu benötigt man die Tabelle Bei z=2 finde ich den Wert 0,9772=97,72% Was heißt das? Beispiel IQ: z=2 IQ=130 Man gehört also zu den intelligentesten 2,28% der Bevölkerung Im Bereich IQ<130 befinden sich 97,72% d. Bevölkerung Mona Ulrich, Psychologie (M.Sc.)
18 VERTEILUNGSFUNKTION Bei stetigen Merkmalen können über die Dichtefunktion keine Aussagen über das Eintreffen einer Merkmalsausprägung getroffen werden, hier werden die Wahrscheinlichkeiten über die Verteilungsfunktion ermittelt Die Werte dieser Funktion benennen keine Einzelwahrscheinlichkeiten, sondern den Zusammenhang zwischen einer Zufallsvariablen und deren Wahrscheinlichkeiten, d.h. sie gibt an, mit welcher Wahrscheinlichkeit eine Zufallsvariable höchstens einen bestimmten Wert annimmt. Die Verteilungsfunktion berechnet sich bei stetigen Zufallsvariablen durch das Integral der Dichtefunktion Mona Ulrich, Psychologie (M.Sc.)
19 VERTEILUNGSFUNKTION Standardnormalverteilung Mona Ulrich, Psychologie (M.Sc.)
20 BEISPIEL Ein Fußballspieler verletzt sich beim Training. Es dauert erfahrungsgemäß 2-7 Tage, bis der Spieler wieder einsatzfähig ist. Die Zufallsvariable beschreibt die Anzahl der Tage bis zur Genesung. Mit jedem Tag steigt die Genesungswahrscheinlichkeit: Tage (X) Mona Ulrich, Psychologie (M.Sc.) Genesungswahrscheinlichkeit X < 2 0 X < X < X < X < X 6 1 Aus der Tabelle ist erkennbar, dass der Fußballspieler mit einer Wahrscheinlichkeit von 90% spätestens am 5. Tag wieder gesund sein wird (d.h. es ist auch möglich, dass er schon früher wieder einsatzfähig ist).
21 QUANTILFUNKTION Wählt man in diesem Intervall zufällig eine Zahl, so kann man sie als Wert einer Verteilungsfunktion interpretieren. Der dazugehörige Wert der Zufallsvariablen, das Quantil, ist dann die gewünschte Zufallszahl. Das Quantil ergibt sich gewissermaßen als Umkehrfunktion der entsprechenden Verteilungsfunktion. gibt zu einer Wahrscheinlichkeit den gewünschten Wert an Mona Ulrich, Psychologie (M.Sc.)
22 ZENTRALE GRENZTHEOREME Mona Ulrich, Psychologie (M.Sc.)
23 VERTEILUNG DER STICHPROBENMITTELWERTE Nehmen wir einmal an, statt der einen hätten wir theoretisch unendlich viele, gleich große, voneinander unabhängige Stichproben erheben können, die wiederum unendlich viele, unterschiedlich große Stichprobenmittelwerte liefern. Die resultierende Verteilung dieser Mittelwerte ginge mit steigender Anzahl von Werten in eine Normalverteilung über (Verteilung der Stichprobenmittelwerten) Unter der Verteilung der Stichprobenmittelwerten ist - allgemein - die Wahrscheinlichkeitsverteilung aller möglichen Ausprägungen der Stichprobenmittelwerte zu verstehen Mona Ulrich, Psychologie (M.Sc.)
24 VERTEILUNG DES STICHPROBENMITTELWERTS Exkurs - Gedankenspiel Wir haben eine Grundgesamtheit Hieraus nehmen wir eine genügend große Stichprobe und berechnen statistische Kennwerte danach wieder zurück in Grundgesamtheit Wiederholen dieses Schritt unendlich oft und berechnen Stichprobenmittelwert Aus diesen berechneten Mittelwert erstellen wir eine Häufigkeitsverteilung = Verteilung der Stichprobenmittelwerte Berechnen den Durchschnitt (Mittelwert der Mittelwerte) = Erwartungswert Berechnung aller Standardabweichungen = Standardfehler Mona Ulrich, Psychologie (M.Sc.)
25 STICHPROBENKENNWERTVERTEILUNG Exkurs - Eigenschaften Häufigkeitsverteilung der Stichprobenmittelwerte wird immer die Form einer Normalverteilung annehmen denn nach dem Zentralen Grenzwerttheorem konvergiert diese Verteilung mit wachsender Wiederholung der Ziehung bei genügend großer Stichprobe gegen eine Normalverteilung (unabhängig wie das Merkmal in der Population verteilt ist) Stichprobenmittelwertsverteilung ist als N(μ;σ) Mona Ulrich, Psychologie (M.Sc.)
26 ZENTRALES GRENZTHEOREM Es besagt im wesentlichen Folgendes: Egal, wie eine Variable in der Population verteilt ist, die Verteilung des Stichprobenmittelwertes wird die Form einer Normalverteilung haben Mona Ulrich, Psychologie (M.Sc.)
27 STANDARDFEHLER DES MITTELS Standardabweichung der Stichprobenkennwerteverteilung Es ist nichts anderes als die Standardabweichung aller Stichproben - Mittelwerte Gibt Auskunft über die durchschnittliche Abweichung der Stichprobenmittelwerte vom Erwartungswert σ x = σ n σ s s= xi x 2 n σ ist die Standardabweichung des Merkmals in der Population; dieser Wert ist immer unbekannt; er wird durch s geschätzt Mona Ulrich, Psychologie (M.Sc.)
28 STANDARDFEHLER DES MITTELS Interpretation Ist der Standardfehler des Mittels gering, so ist es wahrscheinlich, dass die Schätzer nur gering vom Erwartungswert abweicht. Ist er dagegen hoch, so wird ein Schätzer alles Voraussicht nach sehr ungenau sein und somit kann es sein, dass eine einzelne Schätzung stark vom tatsächlichen Wert abweicht Mona Ulrich, Psychologie (M.Sc.)
29 Z-WERTE Mona Ulrich, Psychologie (M.Sc.)
30 WARUM Z-WERTE? Ziel: Angabe der relativen Lage von Werten in einer Verteilung Gelegentlich steht man vor der Aufgabe, den Testwert einer Person mit den Testwerten anderer Personen in Beziehung zu setzen, um zu beurteilen, ob es sich bei diesem Wert um einen hohen bzw. niedrigen Wert handelt Z-Werte erhält man, indem man die Abweichung vom Mittel an der Standardabweichung relativiert z= xi x s Man kann an dem Ergebnis erkennen, ob der Messwert über oder unter dem MW liegt und um viele SD er entfernt ist (Vorzeichen wichtig!) Mona Ulrich, Psychologie (M.Sc.)
31 BEISPIEL Körpergröße eines Mannes bei 1,90m, Durschnitt in der Stichprobe 1,75m +15 cm Abweichung Ist diese Abweichung gewöhnlich? Dies wäre der Fall, wenn viele Personen um 15cm oder mehr vom Mittel abweichen würden Da wird durch die Maße der Variabilität repräsentative Abweichen leicht bestimmen können, liegt es nahe, die Abweichungen vom Mittel an einem Maß für die Variabilität der Werte zu relativieren Mona Ulrich, Psychologie (M.Sc.)
32 BEISPIEL z= = 1 15 Dies bedeutet, dass der Rohwert der Person den Mittelwert um die Länge einer Standardabweichung übersteigt repräsentative Abweichung und kein extremer Wert Z-transformierte Werte haben einen MW von 0 und eine SD von 1 Wie man an dem Beispiel sehen kann, besitzen z-werte nicht mehr die Einheit der Rohwerte dimensionslose Zahl / standardisierte Variable Durch die z-transformation wird die Form der Verteilung nicht verändert Kann bei jeder Variable berechnet werden Mona Ulrich, Psychologie (M.Sc.)
33 AUFGABE Man nimmt an, dass die Ergebnisse eines Tests sich um einen Mittelwert von μ=60 verteilen und eine Streuung (um diesen Mittelwert) von σ =20 aufweisen. Welcher prozentuale Anteil der möglichen Testergebnisse liegt... a)... über 85 Punkten b)... unter 50 Punkten Mona Ulrich, Psychologie (M.Sc.)
34 AUFGABE Lösung A) z= = 1,25 Wie kommt man jetzt an die Wahrscheinlichkeit Ablesen der Wahrscheinlichkeit in der z-wert Tabelle In der Tabelle: 100-0,8944 = 0,106 11% 11% der möglichen Testergebnisse liegen über 85 Punkten B) z= = -0,5 In der Tabelle: 0,309 31% 31% der möglichen Testergebnisse liegen unter 50 Punkten Mona Ulrich, Psychologie (M.Sc.)
35 KONFIDENZINTERVALLE/ VERTRAUENSBEREICH Mona Ulrich, Psychologie (M.Sc.)
36 KONFIDENZINTERVALL Mit einer»zufallsstichprobe«(iq 112 Studierende SRH) kann man Aussagen über eine unbekannte Grundgesamtheit (alle Studenten SRH) machen Wertebereich (Angabe von zwei Zahlen), in dem man den interessierenden Parameter der Grundgesamtheit mit einer bestimmten Wahrscheinlichkeit erwartet, wird Konfidenzintervall genannt Mona Ulrich, Psychologie (M.Sc.)
37 BESTIMMUNG VON KONFIDENZINTERVALLEN Es werden Konfidenzintervalle konstruiert, in die der unbekannte Parameter μ mit einer bestimmten Überdeckungs- oder Sicherheitswahrscheinlichkeit (1-α) fällt. 1- α gibt die Wahrscheinlichkeit (z.b. 0,95 also 95%) an, mit der der gesuchte Populationsparameter in dem Intervall liegt; entspricht jenem Anteil aller Mittelwerte, die innerhalb dieser Intervallgrenzen liegen α ist die Irrtumswahrscheinlichkeit (z.b. 0,05 also 5%), die angibt, mit welcher Wahrscheinlichkeit die Intervallschätzung fehlerbehaftet ist Mona Ulrich, Psychologie (M.Sc.)
38 BESTIMMUNG VON KONFIDENZINTERVALLEN Für die Bestimmung von Konfidenzintervallen macht man sich die Tatsache zu nutze, dass die Stichprobenmittelwerte nach dem Zentralen Grenztheorem normalverteilt ist. D.h. wir kennen die Verteilung aller möglichen Stichproben-Mittelwerte und können deswegen die Grenzen berechnen, die einen beliebig vorgebbaren (meist 90, 95 oder 99%) Flächenanteil (1-α) unter der Normalverteilungskurve der Strichprobenkennwertverteilung des Mittelwerts markiert Obere Grenze x +zσ x Untere Grenze: x zσ x Setzen wir für z= 1,96 ein, dann markieren die Grenzen ein 95% Konfidenzintervall; für 1,64 ein 90% Intervall Mona Ulrich, Psychologie (M.Sc.)
39 BESTIMMUNG VON KONFIDENZINTERVALLEN Da 1-α der entsprechende Flächenanteil ist und σ X der Standardfehler des Mittelwerts, ergibt sich folgende Berechnungsformel: Mona Ulrich, Psychologie (M.Sc.)
40 GENERELL GILT Die Länge des Konfidenzintervalls hängt ab von σ, n und 1-α Hat also das untersuchte Merkmal eine große Streuung, so erhält man ein entsprechend großes Intervall. Wird die Sicherheitswahrscheinlichkeit erhöht, so verlängert sich auch das Vertrauensintervall es verringert sich damit die Genauigkeit der Intervallschätzung Umgekehrt gilt: je geringer die Sicherheitswahrscheinlichkeit gewählt wird, desto kleiner wird das Vertrauensintervall und desto größer wird die Genauigkeit. Jedoch: Durch Verkleinerung der Sicherheitswahrscheinlichkeit 1-α erhört sich die Irrtumswahrscheinlichkeit α Mona Ulrich, Psychologie (M.Sc.)
41 INTERPRETATION Konfidenzintervalle können auch verwendet werden, um zwei Gruppen auf Unterschiede zu untersuchen. Wenn sich die Konfidenzintervall zweier Stichproben nicht überlappen, kann man hier auf einen signifikanten Unterschied ausgehen Ein Konfidenzintervall gibt NICHT die Wahrscheinlichkeit für ein bestimmtes Ereignis an. Falsch: Wert liegt mit mit 95%iger Wahrscheinlichkeit innerhalb der Intervallgrenzen Richtig: Das Konfidenzintervall überdeckt den wahren Parameter der Population mit Wahrscheinlichkeit 95% Mona Ulrich, Psychologie (M.Sc.)
42 BEISPIEL Das Durchschnittsgewicht eines männlichen Studenten an der Universität ABC ist 180 Pfund. Es wurden 50 männliche Studenten gewogen. Dabei beträgt die Streuung 30 Pfund. Wie groß ist das 95% Konfidenzintervall für den Mittelwert? Untere Grenze= 180 1,96 x = 171,68 Obere Grenze = ,96 x = 188,32 Mit einer Wahrscheinlichkeit von 95% liegt das wahre Körpergewicht der männlichen Studenten im Bereich 171,68 und 188, Mona Ulrich, Psychologie (M.Sc.)
43 ÜBUNGEN Mona Ulrich, Psychologie (M.Sc.)
44 ÜBUNG 1 Welchen IQ muss man haben um zu den intelligentesten 10 % der Bevölkerung zu gehören?(μ= 100, σ= 15) Mona Ulrich, Psychologie (M.Sc.)
45 ÜBUNG 1 Lösung Tabelle nach dem Wert 0,90 schauen -> z-wert ungefähr 1,285 Daraus folgt: z x i S x IQ=119, Mona Ulrich, Psychologie (M.Sc.)
46 ÜBUNG 2 Peter hat 25 Punkte in einem Test A erzielt, Paul 24 Punkte in einem Test B. Beide Tests messen das gleiche Merkmal. Wer von beiden erzielte die bessere Leistung, wenn gilt x s A 20 5 B Mona Ulrich, Psychologie (M.Sc.)
47 ÜBUNG 2 Lösung Z-Peter = (25 20)/5 = 1 Z-Paul = (24 18)/6 = 1 Daraus folgt, dass Peter und Paul gleich gut abgeschnitten haben Mona Ulrich, Psychologie (M.Sc.)
48 ÜBUNG 3 Maria hat an einem Dynamometer 43 kg Zugleistung erbracht, Manfred 52 kg. Die geschlechtsspezische Vergleichsgruppe für Maria hat einen Mittelwert von 31 kg und eine Standardabweichung von 6 kg. Die entsprechende männliche Norm liegt bei 40 kg Zug und 8 kg Standardabweichung. Wer von beiden ist relativ zu seiner Gruppennorm besser? Mona Ulrich, Psychologie (M.Sc.)
49 ÜBUNG 3 Lösung Z-Maria = (43 31)/6 = 2 Z-Manfred = (52 40)/8 = 1,5 Daraus folgt, dass Maria relativ zu ihrer Gruppennorm besser als Manfred abschneidet Mona Ulrich, Psychologie (M.Sc.)
50 ÜBUNG 4 Um einen Kurs über umweltfreundliche Autofahrer zu benutzen, wurde der durchschnittliche wöchentliche Benzinverbrauch der Teilnehmer ermittelt M-vor = 25; s-vor = 5; M-nach = 21; s-nach = 6 Der Benzinverbrauch wird als normalverteilt angenommen. Frau A verbrauchte vorher 15l und nachher 12l pro Woche. Hat sie ihren Verbrauch im Vergleich zu den durchschnittlichen Autofahrern gesenkt oder erhöht? Mona Ulrich, Psychologie (M.Sc.)
51 ÜBUNG 4 Lösung Z-vor = (15 25)/5 = -2 Z-nach = (12 21)/6 = -1.5 Daraus folgt dass sich der Verbrauch der Frau gesenkt hat Mona Ulrich, Psychologie (M.Sc.)
52 ÜBUNG 5 Die Zeit, die Studierende pro Semesterwoche in der Vorlesungszeit für die Vorbereitung von Seminaren aufwenden sei normalverteilt μ = 10 und σ = 6. Bestimmen Sie, wie viele Stunden sich ein Studierender mindestens vorbereiten muss, um zu den 5% der Studierenden zu gehören, die sich am längsten vorbereiten Mona Ulrich, Psychologie (M.Sc.)
53 ÜBUNG 5 Lösung Tabelle zur Verteilungsfunktion der Standardnormalverteilung 95%(0,9505) ist gleich ein z-wert von 1,65. Über diesem Wert liegen 5 % der Studenten. Umwandlung des z-wertes in xi-wert. Ein Studierender muss sich also mindestens 19,9 Stunden pro Woche vorbereiten, um zu den eifrigsten 5% zu gehören Mona Ulrich, Psychologie (M.Sc.)
54 ÜBUNG 6 In einer Zufallsstichprobe von 64 Personen wurde ein durchschnittlicher Intelligenzquotient von 80 Punkten erreicht. Die Standardabweichung beträgt s = 12 Punkte. Geben Sie das 95% Vertrauensintervall an Mona Ulrich, Psychologie (M.Sc.)
55 ÜBUNG 6 Lösung σ M = s = 1,5 n μm = 80 Obere Grenze = ,96 x 12 = 82,94 64 Untere Grenze = 80 1,96 x 12 = 77,06 64 Das 95%-ige Vertrauensintervall geht von 77 bis Mona Ulrich, Psychologie (M.Sc.)
56 ÜBUNG 7 Es sei unterstellt, der Intelligenzquotient sei normalverteilt mit μ = 100 und σ = 10. Wenn man insgesamt 10% der Population mit den extremsten Werten (jeweils 5% an beiden Enden) nicht berücksichtigt, in welchen Bereich wird der IQ dann noch variieren? Wie wahrscheinlich ist das Auftreten eines IQs zwischen 100 und 108? Mona Ulrich, Psychologie (M.Sc.)
57 ÜBUNG 7 Lösung Gesucht sind zwei xi-werte, deren Intervall die mittleren 90%der Anteilsfläche markieren. Da wir nur die Möglichkeit haben, in der Tabelle zur Verteilungsfunktion der Standardnormalverteilung nachzusehen, ermitteln wir statt unten xi-werten zunächst die z-transformierten x-werte, nämlich die z-werte: Z-Werte in ursprüngliche x-werte umwandeln Demnach variiert der IQ, wenn man nur die mittleren 90% der Population berücksichtigt zwischen 83.5 und Mona Ulrich, Psychologie (M.Sc.)
58 ÜBUNG 7 Lösung Wie wahrscheinlich ist das Auftreten eines IQs zwischen 100 und 108? Zu berechnen ist die Fläche zwischen 100 und 108. Xi-Werte in z-werte transformieren Laut der Tabelle ergibt sich bis zu z=0.8t ein Flächenanteil von 0,7881. Davon wird die Fläche von z=0 (Fläche 0,5) abgezogen: 0,7881-0,5 = 0,2881 Mit einer Wahrscheinlichkeit von ca. 28% wird der IQ in diesem Bereich liegen Mona Ulrich, Psychologie (M.Sc.)
59 ÜBUNG 8 Eine Untersuchung von n=50 Hähnchen auf ihren Kaloriengehalt ergab einen Stichproben-Mittelwert von x =215,48, sowie eine Standardabweichung von s=33,14. Wie lauten die Intervallgrenzen bei 95% Überdeckungswahrscheinlichkeit? Mona Ulrich, Psychologie (M.Sc.)
60 ÜBUNG 8 Lösung Obere Grenze = 215,48 + 1,96 x 33,14 50 = 224,67 Untere Grenze = 215,48-1,96 x 33,14 50 = 206,29 Mit einer Wahrscheinlichkeit von 95% liegt der wahre Kaloriengehalt zwischen 209,29 und 224, Mona Ulrich, Psychologie (M.Sc.)
61 ÜBUNG 9 Die Verteilung der Ergebnisse des letzten Statistiktests ist normalverteilt mit einem Mittelwert von 7,2Punkten und einer Standardabweichung von 3,5Punkten. Wie groß ist die Wahrscheinlichkeit, a) mit mindestens 10 Punkten zu bestehen, b) mit der Punktzahl zwischen 5 und 8 zu liegen, c) höchstens 4 Punkte zu erreichen? Mona Ulrich, Psychologie (M.Sc.)
62 ÜBUNG 9 Lösung Mona Ulrich, Psychologie (M.Sc.)
63 VIELEN DANK FÜR DIE AUFMERKSAMKEIT! Mona Ulrich, Psychologie (M.Sc.)
Normalverteilung. 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
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
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 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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
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
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:
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
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
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:
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
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
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrHäufigkeitsverteilungen
Häufigkeitsverteilungen Eine Häufigkeitsverteilung gibt die Verteilung eines erhobenen Merkmals an und ordnet jeder Ausprägung die jeweilige Häufigkeit zu. Bsp.: 100 Studenten werden gefragt, was sie studieren.
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
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
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
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
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
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
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
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
MehrZentraler Grenzwertsatz/Konfidenzintervalle
/ Statistik I Sommersemester 2009 Statistik I ZGWS/ (1/37) Kann Ahmadinejad die Wahl gewonnen haben? Im wesentlichen Dreiteilung der polit. Elite 2005: 17.3 Millionen Stimmen (Stichwahl), Wahlbeteiligung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
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
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
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
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
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
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
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
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
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Noémie Becker & Dirk Metzler 15. April 2016 Inhaltsverzeichnis 1 Der Standardfehler 1 1.1 Ein Versuch............................................
MehrSpezielle Eigenschaften der Binomialverteilung
Spezielle Eigenschaften der Binomialverteilung Wir unterscheiden: 1) die Wahrscheinlichkeitsfunktion einer diskreten Variablen 2) die Verteilungsfunktion einer diskreten Variablen. 1) Die Wahrscheinlichkeitsfunktion
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrHäufigkeiten. Verteilungen. Lageparameter Mittelwert. oder
Formelsammlung Beschreibende Statistik Univariate Häufigkeitsverteilungen X ist ein diskretes Merkmal, mit k Ausprägungen TR: Mode 2 1 = AC absolute relative Häufigkeit Häufigkeiten Bivariate Häufigkeitsverteilungen
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrStatistik Einführung // Stichprobenverteilung 6 p.2/26
Statistik Einführung Kapitel 6 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // 6 p.0/26 Lernziele 1. Beschreiben
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
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+
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
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
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
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,
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
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
Mehr10. Theoretische Verteilungen
0. Theoretische Verteilungen 0.. Diskrete theoretische Verteilungen In der deskriptiven Statistik wurden die einfachen Häufigkeiten und die Summenhäufigkeiten von Merkmalsausprägungen ermittelt um ein
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
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
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
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
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
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
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.
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
Mehr2 Inferenzstatistik. Björn Rasch, Malte Friese, Wilhelm Hofmann, Ewald Naumann
1 Inferenzstatistik Björn Rasch, Malte Friese, Wilhelm Hofmann, Ewald Naumann.1 Die Normalverteilung. Die Standardnormalverteilung 4.3 Die Stichprobenkennwerteverteilung 5.4 Aufgaben zu Kapitel 30 B. Rasch
MehrKlausurvorbereitung - Statistik
Aufgabe 1 Klausurvorbereitung - Statistik Studenten der Politikwissenschaft der Johannes Gutenberg-Universität wurden befragt, seit wie vielen Semestern sie eingeschrieben sind. Berechnen Sie für die folgenden
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
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
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrDemokurs. Modul Grundlagen der Wirtschaftsmathematik Grundlagen der Statistik
Demokurs Modul 31101 Grundlagen der Wirtschaftsmathematik und Statistik Kurs 40601 Grundlagen der Statistik 13. Juli 2010 KE 1 2.4 Schiefe und Wölbung einer Verteilung Seite: 53 2.4 Schiefe und Wölbung
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
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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
Mehr