Marcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
|
|
- Teresa Kaufman
- vor 6 Jahren
- Abrufe
Transkript
1 Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung
2 Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable für stetige Merkmale gibt es einige technische Probleme Die Wahrscheinlichkeit einen bestimmten konkreten Wert zu beobachten ist null, da es ja unendlich viele unterschiedliche Wert gibt. Eine stetige Zufallsvariable liefert daher Wahrscheinlichkeitswerte immer nur für Intervalle. Man erhält Wahrscheinlichkeiten indem man eine Fläche evaluiert. Konkret betrachtet man das Integral unter der Dichtefunktion, die das stetige Analogon zur Wahrscheinlichkeitsfunktion bildet. Statistik 2 für SoziologInnen 2 Normalverteilung
3 Dichtefunktion f(x) Dichtefunktion 1) f(x) > 0 für alle x 2) Gesamte Fläche unter der Kurve ist 1 Einzelne Werte von f(x) können größer als 1 sein! f(x) ist eine Dichte aber keine Wahrscheinlichkeit Vergleiche dazu das Histogramm, wo auch die Fläche als Maß für die Häufigkeit fungiert Statistik 2 für SoziologInnen 3 Normalverteilung
4 Stetige Verteilungsfunktion Die theoretische Verteilungsfunktion einer steigen Zufallsvariablen X mit Dichtefunktion f(x) bezeichnen wir mit F(x) Die theoretische Verteilungsfunktion wird durch das Integral (stetiges Analogon zur Summe) definiert x F( x) P( X x) f ( udu ) Statistik 2 für SoziologInnen 4 Normalverteilung
5 Beziehung zwischen Dichte- und Verteilungsfunktion Dichtefunktion f(x) Verteilungsfunktion F(x) 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 0,05 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, Statistik 2 für SoziologInnen 5 Normalverteilung
6 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
7 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
8 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 8 Normalverteilung
9 Dichtefunktion In der einfachsten Form: Standardnormalverteilung X~N(0; 1) E(X)=0 Erwartungswert = 0 V(X)=1 Varianz bzw. Standard-Abweichung =1 fx ( ) 1 2 e x 2 / 2 Statistik 2 für SoziologInnen 9 Normalverteilung
10 Die Standard-Normalverteilung Wendepunkte Statistik 2 für SoziologInnen 10 Normalverteilung
11 Die Standard-Normalverteilung Flaeche = 0, Die Wahrscheinlichkeit, dass die Zufallsvariable einen Wert im Bereich -1 bis +1 annimmt ist 68,27% Statistik 2 für SoziologInnen 11 Normalverteilung
12 Flaeche = 0, Die Wahrscheinlichkeit, dass die Zufallsvariable einen Wert im Bereich -2 bis +2 annimmt, ist rund 95% Allgemein: Bei einem normalverteilten Merkmal liegen rund 95% der Beobachtungen liegen im Bereich Erwartungswert plus/minus 2*Standardabweichung Statistik 2 für SoziologInnen 12 Normalverteilung
13 Varianten der Normalverteilung Im allgemeinen: Normalverteilung mit Erwartungswert und Varianz ² X~N( ; ²) E(X) = V(X) = ² fx ( ) 1 2 e 1 x ( ) 2 2 Statistik 2 für SoziologInnen 13 Normalverteilung
14 Verschiedene Normalverteilungen Standardnormalverteilung N(0; 0,25) Kleinere Varianz N(0; 1) Größere Varianz N(0; 4) Statistik 2 für SoziologInnen 14 Normalverteilung
15 Verschiedene Normalverteilungen N(-3; 0,25) Verschiebung und Stauchung N(0; 1) N(2; 1) Unterschiedlicher Erwartungswert bei konstanter Varianz Statistik 2 für SoziologInnen 15 Normalverteilung
16 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 16 Normalverteilung
17 Standardisierung Aus dem vorigen folgt: Sei X~N( ²) dann gilt für Z=(X- standardisierte Variable Z~N(0;1) Durch Anwendung der Standardisierung lässt sich jede Normalverteilung in die Standardnormalverteilung überführen. Daher reichen Tabellen für Wahrscheinlichkeiten der Standardnormalverteilung für alle Fragestellungen Statistik 2 für SoziologInnen 17 Normalverteilung
18 Standardisierung Anwendungsbeispiel: X sei die Körpergröße in cm von einer bestimmten Population Es sei X~N(175; 64) dann ist Z=(X-175)/8 Frage: P(167<X<183)=? P(167<X<183)= =P(( )/8<Z<( )/8)= =P(-1<Z<1)=0,6826 Bei Kenntnis des Mittelwertes und der Varianz lassen sich unter der Modellannahme, dass das Merkmal normalverteilt ist, die Wahrscheinlichkeit für alle denkmöglichen Fragestellungen mit der Standardnormalverteilung ermitteln. Statistik 2 für SoziologInnen 18 Normalverteilung
19 Bestimmung von Wahrscheinlichkeiten Die Verteilungsfunktion der Standardnormalverteilung ergibt sich durch Integration der Dichtefunktion Man findet Tabellen in fast allen Lehrbüchern Unterschiedliche Notation: Bleymüller: Schlittgen: F N (z) (z) 1 u F ( z) ( z) e du N 2 z Statistik 2 für SoziologInnen 19 Normalverteilung
20 Von der Dichte zur Verteilungsfunktion Dichtefunktion Verteilungsfunktion P(X<1)=0, P(X<1)=0, Statistik 2 für SoziologInnen 20 Normalverteilung
21 0,45 0,4 0,35 0,3 0,25 Dichtefunktion Verteilungsfunktion 1 0,8 0,6 0,2 0,15 0,4 0,1 0,2 0,05 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, 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 0,05 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, 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 0,05 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, Grenzwert: 1 Prob(Z<1)= 0,84134 Statistik 2 für SoziologInnen 21 Normalverteilung
22 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 22 Normalverteilung
23 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 23 Normalverteilung
24 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 24 Normalverteilung
25 Wahrscheinlichkeiten der Normalverteilung Statistik 2 für SoziologInnen 25 Normalverteilung
26 0,0300 0,7340 0,2660 0,0250 Erwartungswert: 170 Varianz: 256 Standardabweichung: 16,0000 0,0200 Grenzwert: 180 0,0150 Prob(X < 180) = 0,7340 Prob(X > 180) = 0,2660 0,0100 0,0050 Hinweis: 0, , , , , , , , , , , , , , , , , , , , , ,0000 Eingabefelder für die Parameter der Normalverteilung und dem gewünschten Grenzwert sind hellgrün markiert. Statistik 2 für SoziologInnen 26 Normalverteilung
27 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 27 Normalverteilung
28 X~N(175; 64) P(X<175)=? P(Z<( )/8) = (0)= 0,5 P(X<181)=? P(Z<( )/8) = (0,75)= 0,7734 P(X>177)=? P(Z>( )/8)= =1-P(Z<0,25)= =1- (0,25)= =1-0,5987=0,4013 Beispiel zur Körpergröße E(X)= 175 V(X)= 64 (X)= 8 Grenzwert: 181 Dieser Wert kann variiert werden P(X<181)= 77, % P(X>181)= 22, % Statistik 2 für SoziologInnen 28 Normalverteilung
29 P(X<181)= Koerpergroesse in cm Statistik 2 für SoziologInnen 29 Normalverteilung
30 P(X>177)= Koerpergroesse in cm Statistik 2 für SoziologInnen 30 Normalverteilung
31 0,0600 0,7734 0,2266 0,0500 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0400 Grenzwert: 181 0,0300 Prob(X < 181) = 0,7734 Prob(X > 181) = 0,2266 0,0200 0,0100 Hinweis: 0, , , , , , , , , , , , , , , , , , , , , ,0000 Eingabefelder für die Parameter der Normalverteilung und dem gewünschten Grenzwert sind hellgrün markiert. Statistik 2 für SoziologInnen 31 Normalverteilung
32 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 32 Normalverteilung
33 Wahrscheinlichkeiten für Intervalle P(a<X<b) = P(X<b) P(X<a) X~N(175; 64) P(177<X<181) =? P(X<181) - P(X<177) = =P(Z<( )/8) - P(Z<( )/8) = = (0,75) - (0,25) = = 0,7734-0,5987 = 0,1747 Statistik 2 für SoziologInnen 33 Normalverteilung
34 P(177<X<181)= Koerpergroesse in cm Statistik 2 für SoziologInnen 34 Normalverteilung
35 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0,0500 0,5987 0,1747 0,2266 Untergrenze: 177 Obergrenze: 181 Prob(177< X < 181) = 0,1747 Prob( X < 177) = 0,5987 Prob( X > 181) = 0,2266 0,0400 0,0300 0,0200 0,0100 Hinweis: Eingabefelder für die Parameter der Normalverteilung und die Grenzwerte sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 35 Normalverteilung
36 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 36 Normalverteilung
37 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 37 Normalverteilung
38 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 38 Normalverteilung
39 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 39 Normalverteilung
40 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 40 Normalverteilung
41 Normalverteilung in Excel: NORMINV Für eine Standardnormalverteilung gilt, dass die Wahrscheinlichkeit einen Wert kleiner als 1, zu erhalten 95% beträgt. Statistik 2 für SoziologInnen 41 Normalverteilung
42 Zentrale Schwankungsintervalle (Streubereiche) symmetrische Intervalle um den Erwartungswert [ -c; +c] Von Interesse sind Aussagen der Form a) P( -c < X < +c) =? b) P( -? < X < +?) = 1- Beispiel für a) Wie groß ist die Wahrscheinlichkeit, dass eine Person maximal 8 cm vom Erwartungswert abweicht? Beispiel für b) Wie groß ist das symmetrische Intervall in welchem Personen mit einer Wahrscheinlichkeit 1- liegen? Wir ordnen dem zentralen Schwankungsbereich die Wahrscheinlichkeit 1- zu. Dadurch kommt außerhalb des Bereichs an jedem Ende eine Randwahrscheinlichkeit von /2 zustande. Statistik 2 für SoziologInnen 42 Normalverteilung
43 Konzept zentraler Schwankungsintervalle alpha/2 1-alpha alpha/ Statistik 2 für SoziologInnen 43 Normalverteilung
44 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 44 Normalverteilung
45 X~N(175; 64) Gesucht ist ein zentrales Schwankungsintervall, das eine Wahrscheinlichkeit von 0,95 aufweist P( - z 1- /2 < X < + z 1- /2 ) = 1- = 0,05 1- /2 = 0,975 P(175-1,96*8 < X < ,96*8) = 0,95 P(159,32 < X < 190,68) = 0,95 Falls man eine höhere Wahrscheinlichkeit anstrebt wird das Intervall größer: P(175-2,5758 *8 < X < ,5758 *8) = 0,99 P(154,39 < X < 195,61) = 0,99 Statistik 2 für SoziologInnen 45 Normalverteilung
46 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 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 0,0400 0,0300 0,0200 0,0100 Eingabefelder für die Parameter der Normalverteilung und die Wahrscheinlichkeit für das zentrale Intervall sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 46 Normalverteilung
47 Erwartungswert: 175 Varianz: 64 Standardabweichung: 8,0000 0,0600 0, ,39 0,99 195,61 Hinweis: 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 Eingabefelder für die Parameter der Normalverteilung und die Wahrscheinlichkeit für das zentrale Intervall sind hellgrün markiert. 0, , , , , , , , , , , , , , , , , , , , , ,7200 Statistik 2 für SoziologInnen 47 Normalverteilung
48 Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten Ausgangsverteilung konvergiert nämlich die Verteilungsfunktion einer Summe gegen die Normalverteilung. (sehr grob formuliert) Ist die Anzahl der Summanden (n) hinreichend groß, so kann in der Praxis die Verteilung einer Summe durch die Normalverteilung approximiert werden. Die Frage, ab wann n hinreichend groß ist, hängt von der gewünschten Genauigkeit und der Form der Ausgangsverteilung ab. Statistik 2 für SoziologInnen 48 Normalverteilung
Marcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
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
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
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
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert nämlich
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
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
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
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
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
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
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
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
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
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
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 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 --------------------------------------------------------------------------------------------------------------
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
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
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,
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
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
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
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
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.
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
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
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
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
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
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
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,
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
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
Mehr7.2 Theoretische Kennwerte
7.2 Theoretische Kennwerte Theoretische Varianz und Standardabweichung Definition und Notation Verschiebungsformel für die theoretische Varianz 391 7.2 Theoretische Kennwerte Interpretation der theoretischen
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
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
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
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)
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
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:
MehrNachtrag zu Mittelwerten und Maßen der Dispersion
dur [ms] 40 60 80 100 120 140 160 Modul G.1 WS 06/07: Statistik 15.11.2006 1 Nachtrag zu Mittelwerten und Maßen der Dispersion Consonant duration Darstellungsmethode Boxplot Strich innerhalb der Boxen:
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
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
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)
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
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
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
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
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
MehrNormalverteilung und Standardisierung
Normalverteilung und Standardisierung N(0,1) z 0 z N(µ,) }{{}}{{} µ µ z z z µ+z Die Normalverteilungen N(µ, ) ergeben sich aus der Standardnormalverteilung N(0, 1) (Gaussche Glockenkurve) durch strecken
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
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
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen
Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Stetige Gleichverteilung Exponentialverteilung Normalverteilung Bibliografie: Prof. Dr. Kück Universität Rostock
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
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
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,
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrMathematische und statistische Methoden II
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 Persike
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
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
MehrWeierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt?
Weierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt? Wolfgang König Technische Universität Berlin und Weierstraß-Institut Berlin Mohrenstraße
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,
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.
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
MehrLösungen zu Übungsaufgaben Blatt 9
Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht
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
MehrVorlesung Stetige Verteilungen / Mathematische Behandlung
B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,
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
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
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
MehrEine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/
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+
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/31 Kruschwitz/Husmann (2012) Finanzierung und Investition 2/31 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München
Mehr