Standardnormalverteilung
|
|
- Frida Fertig
- vor 7 Jahren
- Abrufe
Transkript
1 Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative Bezeichnungen: Gaußsche Glockenkurve;Fehlerkurve Natürliche Prozesse Körpergröße, Gewicht von Lebewesen Messung von physikalischen Größen Messfehlermodell Variable, die sich aus der Summe von vielen zufälligen Einzelwerten ergeben zentraler Grenzwertsatz Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable für stetige Merkmale gibt es einige Probleme Die Wahrscheinlichkeit einen bestimmten konkreten Wert zu beobachten ist null, da es ja unendlich viele unterschiedliche Wert gibt Eine stetige Zufallsvariable liefert daher Wahrscheinlichkeitswerte immer nur für Intervalle. Man erhält Wahrscheinlichkeiten indem man eine Fläche evaluiert. Konkret betrachtet man das Integral unter der Dichtefunktion, die das steige Analogon zur Wahrscheinlichkeitsfunktion bildet. Statistik 2 für SoziologInnen 2 Normalverteilung 1
2 Dichtefunktion f(x) Dichtefunktion 1) f(x) > 0 für alle x 2) Gesamte Fläche unter der Kurve ist 1 Einzelne Werte von f(x) können größer als 1 sein! f(x) ist eine Dichte aber keine Wahrscheinlichkeit Statistik 2 für SoziologInnen 3 Normalverteilung Stetige Verteilungsfunktion Die theoretische Verteilungsfunktion einer steigen Zufallsvariablen X mit Dichtefunktion f(x) bezeichnen wir mit F(t) und wird durch das Integral definiert Statistik 2 für SoziologInnen 4 Normalverteilung 2
3 Beziehung zwischen Dichte- und Verteilungsfunktion Dichtefunktion f(x) Verteilungsfunktion F(x) 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0-3,5-3,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 1 0,8 0,6 0,4 0, Statistik 2 für SoziologInnen 5 Normalverteilung Wahrscheinlichkeiten als Integral P(a X b) = P(X b) - P(X a) = F(b) - F(a) P(a X b) f (x)dx b a Statistik 2 für SoziologInnen 6 Normalverteilung 3
4 Erwartungswert und Varianz einer stetigen ZV E(X) x f(x)dx V(X) ² [x E(X)]² f (x)dx Var(X) = E(X 2 ) [E(X)] 2 Statistik 2 für SoziologInnen 7 Normalverteilung Dichtefunktion In der einfachsten Form: Standardnormalverteilung X~N(0; 1) E(X)=0 Erwartungswert = 0 V(X)=1 Varianz bzw. Standard-Abweichung =1 1 e x 2 / 2 f ( x ) e 2 Statistik 2 für SoziologInnen 8 Normalverteilung 4
5 Die Standard-Normalverteilung Wendepunkte Statistik 2 für SoziologInnen 9 Normalverteilung Die Standard-Normalverteilung Flaeche = 0, Statistik 2 für SoziologInnen 10 Normalverteilung 5
6 Die Standard-Normalverteilung Flaeche = 0, Leitregel: Ca. 95% der Beobachtungen liegen im Bereich Erwartungswert plus/minus 2*Standardabweichung Statistik 2 für SoziologInnen 11 Normalverteilung Verschiedene Normalverteilungen Standardnormalverteilung N(0; 0,25) Kleinere Varianz N(0; 1) Größere Varianz N(0; 4) Statistik 2 für SoziologInnen 12 Normalverteilung 6
7 Verschiedene Normalverteilungen 0.8 N(-3; 0,25) Verschiebung und Stauchung N(0; 1) N(2; 1) Unterschiedlicher Erwartungswert bei konstanter Varianz Statistik 2 für SoziologInnen 13 Normalverteilung Dichtefunktion Im allgemeinen: Normalverteilung mit Erwartungswert und Varianz ² X~N( ; ²) E(X) = V(X) = ² f ( x ) 1 e 2 1 x 2 ( ) 2 Statistik 2 für SoziologInnen 14 Normalverteilung 7
8 Lineartransformation Wenn X eine normalverteilte Zufallsvariable ist, dann ist auch Y=a+bX normalverteilt. E(Y)=E(a+bX)=a+bE(X) V(Y)=V(a+bX)=b²V(X) Knapp formuliert: Sei X~N( ²) und Y=a+bX dann gilt Y~N(a+b ; b² ²) Änderung des Erwartungswertes: Verschiebung (Translation) Änderung der Varianz: Dehnung oder Stauchung der Verteilungsform Prinzipielle Gestalt der Glockenkurve bleibt erhalten Statistik 2 für SoziologInnen 15 Normalverteilung Standardisierung Aus dem vorigen folgt: Sei X~N( ²) dann gilt für Z=(X- standardisierte Variable Z~N(0;1) Durch Anwendung der Standardisierung lässt sich jede Normalverteilung in die Standardnormalverteilung d t überführen. Tabellen für Wahrscheinlichkeiten der Standardnormalverteilung Statistik 2 für SoziologInnen 16 Normalverteilung 8
9 Standardisierung Anwendungsbeispiel: X sei die Körpergröße in cm von einer bestimmten Population Es sei X~N(175; 64) Z=(X-175)/8 P(167<X<183)= =P(( )/8<Z<( )/8)= =P(-1<Z<1)=0,6826 1) Statistik 2 für SoziologInnen 17 Normalverteilung Unterschiedlicher Maßstab! N(175; 64) Koerpergroesse in cm N(0; 1) Standardeinheiten Statistik 2 für SoziologInnen 18 Normalverteilung 9
10 Gemeinsame y-achse 0,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0, ,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0, Standardnormalverteilung Verteilung der Körpergrößen Statistik 2 für SoziologInnen 19 Normalverteilung Gemeinsame x-achse Standardnormal-Verteilung Verteilung der Körpergrößen Statistik 2 für SoziologInnen 20 Normalverteilung 10
11 Bestimmung von Wahrscheinlichkeiten Die Verteilungsfunktion der Standardnormalverteilung ergibt sich durch Integration der Dichtefunktion Notation: Bleymüller: F N (z) Schlittgen: (z) z u 2 FN ( z ) e du 2 Statistik 2 für SoziologInnen 21 Normalverteilung Von der Dichte zur Verteilungsfunktion Dichtefunktion Verteilungsfunktion P(X<1)=0, P(X<1)=0, Statistik 2 für SoziologInnen 22 Normalverteilung 11
12 -3,5-3,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5-3,5-3,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5-3,5-3,0-2,5-2,0-1,5-1,0-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 Dichtefunktion Verteilungsfunktion 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 1 0,8 0,6 0,4 0,2 0, Grenzwert: -1 Prob(Z<-1)= 0,15866 Dichtefunktion Verteilungsfunktion 0,45 1 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,8 0,6 0,4 0,2 0, Grenzwert: 0 Prob(Z<0)= 0,5 Dichtefunktion Verteilungsfunktion 0,45 1 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,8 0,6 0,4 0,2 0, Grenzwert: 1 Prob(Z<1)= 0,84134 Statistik 2 für SoziologInnen 23 Normalverteilung Ausnützung der Symmetrie um Null P(Z < a) = 1 - P(Z < -a) oder P(Z < -a) = 1 - P(Z < a) aa aa P(Z>a) = P(Z<-a) Statistik 2 für SoziologInnen 24 Normalverteilung 12
13 Arbeit mit Tabellen: P(Z<1)=? (1) liegt zwischen 0,841 und 0,842 Grob: P(Z<1) = (1) = 0,8415 Lineare Interpolation: P(Z<1) = (1) = 0,8413 P(Z<-1)=? (a)=1- (-a) bzw. (-a)=1- (a) P(Z<-1)=1 - (1) = 1-0,8413 = 0,1587 (-1) liegt zwischen 0,158 und 0,159 Statistik 2 für SoziologInnen 25 Normalverteilung Beispiel Wir wollen für eine Normalverteilung mit Erwartungswert 170 und Standardabweichung 16 die Wahrscheinlichkeit einen Wert kleiner als 180 zu erhalten ermitteln. P(X<180) = =P(Z<( )/16)=P(Z<0,625)=F N (0,625)= =0,734 Statistik 2 für SoziologInnen 26 Normalverteilung 13
14 Normalverteilung in Excel: NORMVERT Für eine Normalverteilung mit Erwartungswert 170 und Standardabweichung 16 gilt, dass die Wahrscheinlichkeit einen Wert kleiner als 180 zu erhalten 73,4% beträgt. Statistik 2 für SoziologInnen 27 Normalverteilung Wahrscheinlichkeiten der Normalverteilung Statistik 2 für SoziologInnen 28 Normalverteilung 14
15 Erwartungswert: 170 Varianz: 256 Standardabweichung: 16,0000 0,0300 0,0250 0,7340 0,2660 Grenzwert: 180 0,0200 Prob(X < 180) = 0,7340 Prob(X > 180) = 0,2660 0,0150 0,0100 0,0050 Hinweis: Eingabefelder für die Parameter der Normalverteilung und dem gewünschten Grenzwert sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,4400 Statistik 2 für SoziologInnen 29 Normalverteilung X~N(175; 64) P(X<175)=? P(Z<( )/8) = (0)= 0, P(X<175) Koerpergroesse in cm P(Z<0) Standardeinheiten Statistik 2 für SoziologInnen 30 Normalverteilung 15
16 X~N(175; 64) P(X<175)=? P(Z<( )/8) = (0)= 0,5 P(X<181)=? P(Z<( )/8) = (0,75)= 0,7734 P(X>177)=? P(Z>( )/8)= =1-P(Z<0,25)= =1- (0,25)= =1-0,5987=0,4013 Beispiel zur Körpergröße E(X)= 175 V(X)= 64 (X)= 8 Grenzwert: Ge e 181 Dieser Wert kann variiert werden P(X<181)= 77, % P(X>181)= 22, % Statistik 2 für SoziologInnen 31 Normalverteilung P(X<181)= Koerpergroesse in cm Statistik 2 für SoziologInnen 32 Normalverteilung 16
17 P(X>177)= Koerpergroesse in cm Statistik 2 für SoziologInnen 33 Normalverteilung Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0, ,7734 0,2266 Grenzwert: 181 0,0400 Prob(X < 181) = 0,7734 Prob(X > 181) = 0,2266 0,0300 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und dem gewünschten Grenzwert sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 34 Normalverteilung 17
18 Beispiel IQ-Test E(X)= 100 V(X)= 225 (X)= ( ) 15 4-Sigma Gesellschaft Personen mit einem IQ über 160 P(X>100+4* )=? 100+4*s= 160 P(X>160)= 0,00317% Bei ,17 1 von In Österreich leben: Menschen Österreicher in 4-Sigma 254 Statistik 2 für SoziologInnen 35 Normalverteilung Wahrscheinlichkeiten für Intervalle P(a<X<b) = P(X<b) P(X<a) X~N(175; 64) P(177<X<181) 181) =? P(X<181) - P(X<177) = =P(Z<( )/8) - P(Z<( )/8) = = (0,75) - (0,25) = = 0,7734-0,5987 = 0,1747 Statistik 2 für SoziologInnen 36 Normalverteilung 18
19 P(177<X<181)= Koerpergroesse in cm Statistik 2 für SoziologInnen 37 Normalverteilung Erwartungswert: 175 Varianz: 64 Standardabweichung: d ,0000 0,0600 0,0500 0,5987 0,1747 0,2266 Untergrenze: 177 Obergrenze: 181 Prob(177< X < 181) = 0,1747 Prob( X < 177) = 0,5987 Prob( X > 181) = 0,2266 0,0400 0,0300 0,0200 0,0100 Hinweis: i Eingabefelder für die Parameter der Normalverteilung und die Grenzwerte sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 38 Normalverteilung 19
20 Symmetrische Intervalle P(-1<Z<1)=? P(-1<Z<1)= (1) - (-1)= 0,8413-0,1587 = 0,6826 P(-a<Z<a)=P(Z<a)-P(Z<-a)= (a)-(1- (a))=2 (a)-1 P(-a<Z<a)=2 (a)-1 P(-1<Z<1)= 2* (1) -1=2*0,8413-1=0,6826 Statistik 2 für SoziologInnen 39 Normalverteilung X~N(175; 64) Wie groß ist die Wahrscheinlichkeit, dass eine Person maximal 8 cm vom Erwartungswert abweicht? P(167<X<183) = (( )/8) - (( )/8) (1) - (-1) = 0,8413-0,1587 = 0,6827 P(167<X<183) = 2* (( )/8) -1= = 2* (1)-1 = 2*0, = 0,6827 Statistik 2 für SoziologInnen 40 Normalverteilung 20
21 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0,0500 0,1587 0,6827 0,1587 maximale Abweichung: 8 0,0400 Prob(167< X < 183) = 0,6827 Prob(X < 167) = 0,1587 Prob(X > 183) = 0,1587 0,0300 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und die maximale Abweichung sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 41 Normalverteilung Inverse Fragestellung Gesucht sind Quantilwerte z für die bestimmte Wahrscheinlichkeitsaussagen gelten: P(Z< z ) = (z ) = P(Z<z ) = z Nachschlagen in der Tabelle: ==> z Gesucht ist jene Körpergröße x für die gilt, daß die Wahrscheinlichkeit P(X<x )=0,9 Lösung: x = + z x = ,2816*8 Statistik 2 für SoziologInnen 42 Normalverteilung 21
22 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0, ,2524 0,9000 0,1000 Wahrscheinlichkeit: 0,9 Quantil von Z~N(0;1): 1,2816 0,0400 0,0300 Grenzwert = 185,2524 Prob(185,25 < 0,9) = 0,9000 Prob(185,25 > 0,9) = 0,1000 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und der gewünschten Wahrscheinlichkeit sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 43 Normalverteilung Normalverteilung in Excel: NORMINV Für eine Standardnormalverteilung gilt, dass die Wahrscheinlichkeit einen Wert kleiner als 1, zu erhalten 95% beträgt. Statistik 2 für SoziologInnen 44 Normalverteilung 22
23 Symmetrie von Quantilen Aus der Symmetrie der NV folgt unmittelbar, daß das -Quantil und das (1- -Quantil einer Standardnormalverteilung symmetrisch um null liegen: Sei z jener Quantil für den gilt (z ) = bzw. (z 1- ) =1- dann gilt: (-z ) ) =1- bzw. (-z 1- ) ) = P(Z<z ) = z P(Z<z ) = P(Z<z ) = 1- z Statistik 2 für SoziologInnen 45 Normalverteilung Zentrale Schwankungsintervalle auch Streubereiche symmetrische Intervalle um den Erwartungswert [ -c; +c] c] Von Interesse sind Aussagen der Form a) P( -c < X < +c) =? b) P( -? < X < +?) = 1- Wir ordnen dem zentralen Schwankungsbereich die Wahrscheinlichkeit 1- zu. Dadurch kommt außerhalb des Bereichs an jedem Ende eine Randwahrscheinlichkeit von /2 zustande. Statistik 2 für SoziologInnen 46 Normalverteilung 23
24 Konzept zentraler Schwankungsintervalle alpha/2 1-alpha alpha/ Statistik 2 für SoziologInnen 47 Normalverteilung Zentrale Schwankungsintervalle Sei X~N(, ²) so ergibt sich das zentrale Schwankungsintervall,welches eine Wahrscheinlichkeit von 1- abdeckt durch: [ -z 1- /2 ; + z 1- /2 ] bzw. P( - z 1- /2 < X < + z 1- /2 ) = 1- Für =0,1 ( =0,05; =0,01) ergibt sich aus der Tabelle für z 1- /2 d.h. P( - 1,6449 < Z < + ) = 0,9 P( - 1,96 < Z < + ) = 0,95 P( - 2,5758 < Z < + 2,5758) = 0,99 Statistik 2 für SoziologInnen 48 Normalverteilung 24
25 X~N(175; 64) Gesucht ist ein zentrales Schwankungsintervall, das eine Wahrscheinlichkeit von 0,95 aufweist P( - z 1- /2 < X < + z 1- /2 ) = 1- = 0,05 1- /2 = 0,975 P(175-1,96*8 < X < ,96*8) = 0,95 P(159,32 < X < 190,68) = 0,95 Falls man eine höhere Wahrscheinlichkeit anstrebt wird iddas Intervall größer: P(175-2,5758 *8 < X < ,5758 *8) = 0,99 P(154,39 < X < 195,61) = 0,99 Statistik 2 für SoziologInnen 49 Normalverteilung Erwartungswert: 175 0,0600 Varianz: 64 Standardabweichung: 8,0000 0, ,32 0,95 190,68 Hinweis: Wahrscheinlichkeit des zentralen Intervalls 1- : 0,95 1- /2 Quantil von Z~N(0;1): 1,9600 Prob(159,32< X < 190,68) = 0,9500 Untergrenze: 159,32 Obergrenze: 190,68 Eingabefelder für die Parameter der Normalverteilung und die Wahrscheinlichkeit für das zentrale Intervall sind hellgrün markiert. 0,0400 0,0300 0,0200 0,0100 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 50 Normalverteilung 25
26 Erwartungswert: 175 0,0600 Varianz: 64 Standardabweichung: 8,0000 0, ,39 0,99 195,61 Wahrscheinlichkeit des zentralen Intervalls 1- : 0,99 1- /2 Quantil von Z~N(0;1): 2,5758 Prob(154,39< X < 195,61) = 0,9900 Untergrenze: 154,39 Obergrenze: 195,61 0,0400 0,0300 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und die Wahrscheinlichkeit für das zentrale Intervall sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 51 Normalverteilung 26
Statistik 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
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
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
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
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
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
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
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
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,
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
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
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
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
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
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
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
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+
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
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
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
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
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
Mehr12 Die Normalverteilung
12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen
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
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,
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.
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
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:
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrGrundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler
Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler Von Professor Dr. Gert Heinrich 3., durchgesehene Auflage R.Oldenbourg Verlag München Wien T Inhaltsverzeichnis
MehrHydrologie 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
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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........................
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
MehrBeispiel: Zweidimensionale Normalverteilung I
10 Mehrdimensionale Zufallsvariablen Bedingte Verteilungen 10.6 Beispiel: Zweidimensionale Normalverteilung I Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale (multivariate) Normalverteilung
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
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
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Überblick Bessere Modelle, die nicht nur den Mittelwert von Referenzvektoren sondern auch deren Varianz berücksichtigen Weniger Fehlklassifikationen Mahalanobis Abstand Besseres Abstandsmaß basierend
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
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 =
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
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.
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
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
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:
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrInhaltsverzeichnis. Teil I Einführung
Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...
MehrDer Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.
Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat
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
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 6
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 6 26. November 2012 Aufgabe 17 (4 Punkte): Sei X B(n, p) eine binomial verteilte Zufallsvariable, die ein Zufallseperiment mit n unabhängigen Wiederholungen
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
MehrP( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X)
Ich habe eine Frage zur Tschebyschew Ungleichung. In der Aufgabe 4 des Übungsblattes 3 benötigt man ja die Ungleichung. In diesem Falle war der Bereich (0, 20) symmetrisch um den Erwartungswert µ = 5.
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............
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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
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.
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
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
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrBiometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen
Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe
MehrVon der Binomialverteilung zur Normalverteilung
Von der Binomialverteilung zur Normalverteilung Wir interessieren uns für Binomialverteilungen mit grossen Werten für n. Als Beispiele können wir uns das Experiment vorstellen, dass ein idealer Würfel
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
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
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
MehrArbeitsblatt 27: Normalverteilung Kerzen
Erläuterungen und Aufgaben Zeichenerklärung: [ ] - Drücke die entsprechende Taste des Graphikrechners! [ ] S - Drücke erst die Taste [SHIFT] und dann die entsprechende Taste! [ ] A - Drücke erst die Taste
MehrAnleitung zum Java - Applet
Anleitung zum Java - Applet Stetige Verteilungen Visualisierung von Wahrscheinlichkeit und Zufallsstreubereich bearbeitet von: WS 2004 / 2005 E/TI 7 betreut von: Prof. Dr. Wilhelm Kleppmann Inhaltsverzeichnis
MehrSigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
MehrÜber den Autor 7. Teil Beschreibende Statistik 29
Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:
MehrGrundproblem der Inferenzstatistik
Grundproblem der Inferenzstatistik Grundgesamtheit Stichprobenziehung Zufalls- Stichprobe... "wahre", unbekannte Anteil nicht zufällig p... beobachtete Anteil zufällig? Statistik für SoziologInnen 1 Inferenzschluss
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrSkriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)
Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrMonty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen
Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
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
Mehr+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert:
Tail Abhängigkeit Definition 12 Sei (X 1,X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: λ U (X
MehrMögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter
Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter Was für Kenngrößen von Verteilungen kennst du? Ortsparameter (Arithmetisches Mittel, Median, MedMed,
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
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
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
MehrDie Normalverteilung (Gauß-Verteilung) Letzte Änderung 14. Juni 2000, 27 Seiten
1 Die Normalverteilung (Gauß-Verteilung) Letzte Änderung 14. Juni 2000, 27 Seiten 1 Definition der Normalverteilung Eine Zufallsvariable mit der Dichte f: R R 1 (x-µ) 2 f(x) = 2π 2 e- 2 2 heißt normalverteilt
Mehr