(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.
|
|
- Innozenz Bergmann
- vor 5 Jahren
- Abrufe
Transkript
1 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 (6.8) lässt sich jedoch nicht analytisch auswerten, so dass Wahrscheinlichkeiten nur durch numerische Integration berechnet werden können. In der Anwendung wäre der Aufwand prohibitiv hoch. Aus diesem Grund kommt der Standardnormalverteilung, die man durch Standardisierung einer Normalverteilung erhält, eine besondere Bedeutung u. Aus jeder normalverteilten Zufallsvariablen X lässt sich also eine standardnormalverteilte Zufallsvariable Z ereugen (daher nennt man die Standardisierung auch Z-Transformation): (6.9) Z X. Die standardnormalverteilte Zufallvariable Z, Z ~ N(0,), weist den Erwartungswert (6.30) E(Z) = 0 und die Varian (6.3) V(Z) = auf. 56
2 Beweis von (6.30) und (6.3): Für den Erwartungswert der standardisierten Zufallsvariablen Z gilt E Z X E E V X V X X VX E X EX Bei der Berechnung der Varian von Z, V Z X VX E X E Var X X 0 0. X E V VX EX, V X erhalten wir unter Berücksichtigung der Regel, dass die Varian einer Konstanten gleich null ist V Z V X V X V X X 0 V E 57
3 Dichtefunktion der Standardnormalverteilung Wegen μ = 0 und σ = lautet die Dichtefunktion der Standardnormalverteilung (6.3) () fz() e. Abbildung: Dichtefunktion einer standardnormalverteilten Zufallsvariablen f () Z ~ N 0; 0 58
4 Verteilungsfunktion der Standardnormalverteilung Die Verteilungsfunktion einer standardnormalverteilten Zufallsvariablen Z erhält man durch Integration: u F () e (6.33) Z du. Die Standardnormalverteilung ist deshalb von besonderer Bedeutung, weil für sie Werte der Verteilungsfunktion in tabellarischer Form vorliegen. Die Tabelle ist aufgrund einer numerischen Auswertung des in (6.33) enthaltenen Integrals er-stellt worden, so dass der Anwender bei dem Arbeiten mit der Normalverteilung die Integration selbst nicht mehr durchführen muss. Zu beachten ist, dass keine Wahrscheinlichkeiten für negative -Werte tabelliert worden sind. Dies ist aber auch nicht erforderlich, da die Dichtefunktion der Standardnormalverteilung symmetrisch um den Erwartungswert µ = 0 verläuft. Aufgrund der Symmetrie gilt für die Verteilungsfunktion a a (6.34). 59
5 Abbildung: Symmetrieeigenschaft der Standardnormalverteilung f () Z ~ N 0; a a F ( a) F (a F) Z (a) a 0 a Erinnerung: Rechenregeln für die Verteilungsfunktion stetiger Zufallsvariablen (6.35a) (6.35b) (6.35c) X b X b Fb a X b a X b Fb Fa X b X b Fb 60
6 Beispiel 6.: Ein Kellner nimmt pro Abend im Mittel Trinkgeld in Höhe von 0 Euro bei einer Standardabweichung von 6 Euro ein. Die Wahrscheinlichkeit für die Höhe des Trinkgeldes sinkt, je größer die Abweichung vom Mittelwert ist, so dass das gesamte Trinkgeld eines Abends als normalverteilte Zufallsvariable modelliert werden kann. a) Wie groß ist die Wahrscheinlichkeit, dass das eingenommene Trinkgeld des Kellners an einem Abend unter 5,50 Euro bleibt? Bei einer Normalverteilung des Trinkgeldes X mit den arametern μ=0 und σ =36, X N(0; 36) [besser: X N(0; σ =36)], ist die gesuchte Wahrscheinlichkeit (X 5,50) durch das Integral 5,50 π 6 X 5,50 e dx 0 6 x0 gegeben. Das Integral lässt sich jedoch nicht analytisch, sondern nur numerisch.b. mit einem Mathematik rogramm lösen. Vorteilhafter ist die Berechnung der gesuchten Wahrscheinlichkeit mit Hilfe der Standardnormalverteilung, da hier tabellierte Werte vorliegen. Wir müssen dabei nicht die Integralrechnung verwenden. Unter Verwendung von (6.9) lässt sich der standardisierte Wert für die obere Intervallgrene bestimmen: x 5,50 0 0,
7 Wir erhalten hiermit 5,50 0 X 5,50 Z Z 0,75 Z 0,75 0,75 6. Die Tabellen ur Standradnormalverteilung weisen jedoch nur Wahrscheinlichkeiten für positive -Werte aus. Unter Verwendung der Symmetrieeigenschaft (6.34) erhalten wir jedoch die Wahrscheinlichkeit (s. Tabelle, Formelsammlung S. 38) 0,75 0,75 0,7734 0,66. 0,00 0,0 0,0 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,5 0,695 0,6950 0,6985 0,709 0,7054 0,7088 0,73 0,757 0,790 0,74 0,6 0,757 0,79 0,734 0,7357 0,7389 0,74 0,7454 0,7486 0,757 0,7549 0,7 0,7580 0,76 0,764 0,7673 0,7704 0,7734 0,7764 0,7794 0,783 0,785 0,8 0,788 0,790 0,7939 0,7967 0,7995 0,803 0,805 0,8078 0,806 0,833 0,9 0,859 0,886 0,8 0,838 0,864 0,889 0,835 0,8340 0,8365 0,8389 f () ,66 0,7734 Z ~ N 0; Die berechnete Wahrscheinlichkeit als Fläche unterhalb der Standardnormalverteilung ist in der nebenstehenden Abbildung dargestellt
8 b) Wie groß ist die Wahrscheinlichkeit, dass der Kellner an einem Abend ein Trinkgeld von mindestens 30,50 Euro einnimmt? Gesucht ist die Wahrscheinlichkeit (X 30,50) der mit dem Erwartungswert μ = 0 und der Varian σ = 36 normalverteilten Zufallsvariablen X. Mit der Standardisierung erhalten wir x 30,50 0 6,75 X 30,50 Z Z,75 30, Z,75 (,75) Der unten stehenden Tabelle entnehmen wir die kumulierte Warscheinlichkeit 0,9599 bei einem -Wert von,75, so dass die gesuchte Wahrscheinlichkeit beträgt. X 30,50,75 0,9599 0, 040 0,00 0,0 0,0 0,03 0,04 0,05 0,06 0,07 0,08 0,09,5 0,933 0,9345 0,9357 0,9370 0,938 0,9394 0,9406 0,948 0,949 0,944,6 0,945 0,9463 0,9474 0,9484 0,9495 0,9505 0,955 0,955 0,9535 0,9545,7 0,9554 0,9564 0,9573 0,958 0,959 0,9599 0,9608 0,966 0,965 0,9633,8 0,964 0,9649 0,9656 0,9664 0,967 0,9678 0,9686 0,9693 0,9699 0,9706,9 0,973 0,979 0,976 0,973 0,9738 0,9744 0,9750 0,9756 0,976 0,
9 In der untenstehenden Abbildung ist die Wahrscheinlichkeit graphisch veranschaulicht. f () Z ~ N 0; 0. 0, c) Wie groß ist die Wahrscheinlichkeit, dass der Kellner ein Trinkgeld wischen 7 und 9 Euro einnimmt? Mit (6.35b) ist die gesuchte Wahrscheinlichkeit aus X 9,5 0,5 6 6 u berechnen. Unter Anwendung der Symmetrieeigenschaft (6.34) erhalten wir X 9,5 0,5,5 0,5 7 0,933 0,695 0,
10 Quantile der Standardnormalverteilung Bei Anwendungen der Normalverteilung ist nicht immer die Wahrscheinlichkeit u bestimmen. Häufig ist der u einer gegebenen Wahrscheinlichkeit ugehörige -Wert gesucht. Der u einem Wert der Verteilungsfunktion der Standardnormalverteilung gehörende -Wert heißt Quantil. Bei dem (-α)-quantil -α hat sich eine Wahrscheinlichkeit von -α kumuliert: (6.36) (Z -α ) = Φ( -α ) = α. Abbildung: Quantil der Standardnormalverteilung f () Z ~ N 0; 0 65
11 Beispiel 6.3: Bis u welchem Wert der standardnormalverteilten Zufallsvariablen Z hat sich 97,5 % der Wahrscheinlichkeitsmasse unter der Dichtefunktion kumuliert? Man sucht die Wahrscheinlichkeit 0,975 in der Tabelle ur Verteilungsfunktion (grundsätlich Formelsammlung S. 38, für besondere -Werte auch S. 7) und liest den entsprechenden -Wert ab: 0,975 =,90 + 0,06 =,96. Das abgelesene Quantil kann man auch graphisch darstellen: f () 0.4 Z ~ N 0; 0.3 0, , 975,96 66
12 Zentrale Schwankungsintervalle bei einer Standardnormalverteilung Mit Hilfe der Quantile lässt sich ein symmetrisches Intervall um den Erwartungswert 0 (entrales Schwankungsintervall) für eine standardnormalverteilte Zufallsvariable Z berechnen: (6.37) Z. Das entrale Schwankungsintervall gibt das symmetrische Intervall an, in das die Zufallsvariable Z mit einer Wahrscheinlichkeit von hineinfällt. 0 Abbildung: Zentrales Schwankungsintervall bei einer Standardnormalverteilung Z ~ N 0; / / / / f () Zentrales Schwankungsintervall / Aufgrund der Symmetrie der Standardnormalverteilung um μ = 0 gilt: (6.37) Daher kann das entrale Schwankungsintervall auch folgendermaßen angegeben werden: (6.38) Z. 67
13 Beispiel 6.4: In welchem symmetrischen Intervall um 0 liegt die standardisierte Zufallsvariable Z mit einer Wahrscheinlichkeit von 99 %? Hier ist das entrale Schwankungsintervall um Niveau -α = 0,99 gesucht (α/ = 0,0/ = 0,005 und α/ = 0,0/ = 0,995): Z ( Z ) 0,99. 0,005 0,995 0,995 0, 995 Aus der Tabelle auf S. 7 der Formelsammlung entnehmen wir den geeigneten -Wert, so dass () = α/ = 0,995: 0,995 =,5758 => 0,005 =,5758 () 0,9,86 0,95,6449 0,975,9600 0,99,363 0,995,5758 0,999 3,090 0,9995 3,90 68
14 Die standardnormalverteilte Zufallsvariable Z liegt also mit einer Wahrscheinlichkeit von 99% wischen -,5758 und,5758: Das ermittelte entrale Schwankungsintervall ist in der unten stehenden Abbildung graphisch veranschaulicht. f () , 5758 Z, , 99. 0,99 Z ~ N 0; ,005 0,005 0, 005 Zentrales Schwankungsintervall , 995,,
15 Zentrale Schwankungsintervalle bei einer beliebigen Normalverteilung Liegt eine normalverteilte Zufallsvariable X mit dem Erwartungswert μ und der Varian σ vor, dann ist eine Standardisierung ur Berechnung des entralen Schwankungsintervalls notwendig. Sett man (6.9), Z = (X μ) / σ, in (6.38) ein, erhält man (6.39) X. Die beiden in (6.39) enthaltenen Ungleichungen sind nach X aufulösen. Zuerst werden alle drei Teile der Ungleichungskette in der Klammer mit der Standardabweichung σ multipliiert (Da immer σ > 0 gilt, bleiben dabei die Ungleichheitseichen unverändert): X. Anschließend addieren wir u allen drei Teilen der Kette den Erwartungswert μ (Ungleichheiten bleiben für jedes Voreichen unverändert), woraus man die Gleichung (6.40) X erhält. (6.40) gibt das entralen Schwankungsintervall für eine beliebige normalverteilte Zufallsvariable X wieder. 70
16 Abbildung: Zentrales Schwankungsintervall einer Normalverteilung f (x) X ~ N ; / / / Zentrales Schwankungsintervall / x Zur Erinnerung:. 7
17 Beispiel 6.5: In der Schreinerei eines Möbelherstellers werden Möbelstücke auf eine Länge von 60 cm ugeschnitten. Die räision der Maschine wird mit einer Standardabweichung von 5 mm angegeben. Aufgrund bisheriger rüfungen kann davon ausgegangen werden, dass die Länge der Möbelstücke normalverteilt ist. In welchem Intervall wird die Länge eines ufällig kontrollierten Möbelstücks mit einer Wahrscheinlichkeit von 95% liegen? Zu berechnen ist das entrale Schwankungsintervall für eine normalverteilte Zufallsvariable mit dem Erwartungswert 60 und der Varian 0,5 = 0,5 bei einer symmetrischen Intervallwahrscheinlichkeit α = 0,95: und 0,975 X 0, 0, ,5 X 60 0,5 0, ,975 0, 975 Für das 0,975-Quantil 0,975 erhält man aus der Tabelle den Wert,96: () 0,9,86 0,95,6449 0,975,9600 0,99,363 0,995,5758 0,999 3,090 0,9995 3,90 7
18 Man erhält damit und schließlich 60,960,5 X 60,960,5 0, 95 59,0 X 60,98 0,95. Die Länge eines ufällig kontrollierten Möbelstückes wird also mit einer Wahrscheinlichkeit von 95% wischen 59,0 cm und 60,98 cm liegen. 73
19 Lineartransformation normalverteilter Zufallsvariablen Es sei X eine normalverteilte Zufallsvariable mit den arametern µ und σ. Wir betrachten eine lineare Transformation von X: Y = a + b X Dann ist Y auch normalverteilt mit den arametern (6.4a) E(Y) = a + b μ und (6.4b) V(Y) = b σ Wenn sich also eine Zufallsvariable X als Linearkombination einer normalverteilten Zufallsvariablen darstellen lässt, dann ist die transformierte Zufallsvariable Y stets normalverteilt. Reproduktionseigenschaft der Normalverteilung Es seien X und X wei unabhängige normalverteilte Zufallsvariablen: X,, X ~ N ~ N,. Dann ist die Zufallsvariable Y=X +X auch normalverteilt mit dem Erwartungswert µ +µ und der Varian : (6.4a) E(Y) = µ + µ und (6.4b) V(Y) =. Diese Eigenschaft beeichnet man als Reproduktivität der Normalverteilung. Sie lässt sich auf n Zufallsvariablen verallgemeinern. [Anmerkung: Neu ist bei beiden Aussagen die Vererbung der Normalitätseigenschaft von einem normalverteilten X bw. von mehreren normalverteilten X i auf Y. Die Gleichungen (6.4a/b) und (6.4a) gelten aufgrund der bekannten Rechenregeln für beliebiges X bw. für beliebige X i und die Gleichung(6.4b) für beliebige unabhängige X i ] 74
Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
Mehrj K j d j m j h j f j
Für eine stetige Zufallsvariable X in einem Intervall [ a ; b ] kann X jeden beliebigen Wert annehmen. Die Wahrscheinlichkeiten werden in diesem Fall nicht mehr wie bei einer diskreten Zufallsvariable
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
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
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:
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte, 2, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 2 3 4 5
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,
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte,, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 3 4 5 6 P
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. 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) =
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
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
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
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
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
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
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
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
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
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
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
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
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
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
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:
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
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
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
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)
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
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
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
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
Mehr93,5 % der Taschenrechner funktionieren höchstens 135 Stunden.
Europa-Universität Flensburg Zentrum für Methodenlehre Tutorium Statistik I Statistik I 1.) Die Funktionsdauer von Taschenrechnern eines bestimmten Typs mit einem Sat Batterien sei normalverteilt mit dem
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
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
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,
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
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
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)
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
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
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
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrÜbung 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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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,
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
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
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
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
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
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:
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrStatistik 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
MehrStochastik Musterlösung 4
ETH Zürich HS 218 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 4 1. Die Zufallsvariable, die die Anzahl eingehender Telefonanrufe in einer Telefonzentrale
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,
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)
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,
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrDie Normalverteilung. Mathematik W30. Mag. Rainer Sickinger LMM, BR. v 0 Mag. Rainer Sickinger Mathematik W30 1 / 51
Mathematik W30 Mag. Rainer Sickinger LMM, BR v 0 Mag. Rainer Sickinger Mathematik W30 1 / 51 Einführung Heute nehmen wir uns die Normalverteilung vor. Bis jetzt konnte unsere Zufallsvariable (das X in
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
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
MehrMusterlösung zu Serie 8
Dr. Markus Kalisch Statistik I für Biol./Pharm. Wiss./HST) FS 15 Musterlösung zu Serie 8 1. a) Damit fx) eine Dichte ist, muss die Fläche des Dreiecks gleich 1 sein. Es muss also gelten c = 1. Daraus folgt
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
MehrKennwerteverteilungen von Häufigkeiten und Anteilen
Kennwerteverteilungen von Häufigkeiten und Anteilen 6. Sitzung 32 S., SoSe 2003 Die hypergeometrische Verteilung Wahrscheinlichkeitsverteilung der Häufigkeit eines binären Merkmals bei Einfacher Zufallsauswahl
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
Mehr1.5.4 Quantile und Modi
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.70. [Quantil, Modus] Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit 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
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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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
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
MehrIn den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt.
.3.3 Theoretisch-prozentuale Häufigkeitsverteilung In den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt. Charakteristisch für
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
Mehrf Z (z) = 0 sonst = 1
Lösungsvorschläge zu Blatt 8) Da das Teilchen sich mit konstanter Winkelgeschwindigkeit bewegt und zufällig gestoppt wird und da Z und Z + kπ, k Z, das gleiche X liefern, kann Z als eine auf [ π, π] gleichverteilte
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,
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
Mehr