Von der Normalverteilung zu z-werten und Konfidenzintervallen
|
|
- Viktor Weber
- vor 8 Jahren
- Abrufe
Transkript
1 Von der Normalverteilung zu z-werten und Konfidenzintervallen Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg Statistik 1 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 1 / 50
2 Agenda Die Normalverteilung Zentrales Grenzwerttheorem z-werte Konfidenzintervalle S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 2 / 50
3 Die Normalverteilung Outline Die Normalverteilung Von der Binomialverteilung zur Normalverteilung Verschiedene Normalverteilungen Bedeutung der Normalverteilung Dichte Standardnormalverteilung Flächenanteile der Standardnormalverteilung Verteilungsfunktion Quantilsfunktion S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 3 / 50
4 Die Normalverteilung Von der Binomialverteilung zur Normalverteilung Von der Binomialverteilung zur Normalverteilung p = 0.5 Wahrscheinlichkeit [0, 1] k Eine Binomialverteilung: Jetzt stellen wir uns die Binomialverteilung mit folgenden Änderungen vor: Sehr vielen k, oder besser: k. Wir haben keine diskreten Stufen mehr, sondern stetige, dass heisst zwischen zwei Zahlen liegen unendlich viele weitere Zahlen, k R +. Dann wird aus den Stufen eine Linie. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 4 / 50
5 Die Normalverteilung Von der Binomialverteilung zur Normalverteilung Von der Binomial- zur Normalverteilung p = 0.5 Wahrscheinlichkeit [0, 1] Dichte k k S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 5 / 50
6 Die Normalverteilung Von der Binomialverteilung zur Normalverteilung Eigenschaften der Normalverteilung Wir erhalten eine glockenförmige, symmetrische, unimodale (eingipflige) Verteilung. Nähert sich links und rechts asymptotisch der x-achse. Unterscheiden sich bezüglich ihres Mittelwertes und ihrer Standardabweichung. Diese Verteilung wurde vom deutschen Mathematiker Carl Friedrich Gauß 1809 beschrieben. Sie heißt daher auch Gauß-Verteilung. Vorläufer sind Arbeiten zum Binomialkoeffizienten von Abraham de Moivre (1733) und Pierre-Simon Laplace (1782). S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 6 / 50
7 Die Normalverteilung Verschiedene Normalverteilungen Verschiedene Normalverteilungen µ = 16; σ = 0.5 Dichte Werte der Variablen µ = 15; σ = 1.2 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 7 / 50
8 Die Normalverteilung Bedeutung der Normalverteilung Bedeutung der Normalverteilung Sehr bedeutsame Verteilung für die Statistik. Für kontinuierliche Variablen. Bei unendlichem n (z. B. unendlichem Münzwurf) geht die Binomial in die Normalverteilung über. Viele Merkmale sind in der Bevölkerung/Population normalverteilt (Bsp. IQ), oder können ausreichend gut durch eine Normalverteilung beschrieben werden. Konvention: Populationsparameter wie Mittelwert und Standardabweichung werden mit griechischen Buchstaben bezeichnet: µ (sprich: mü) und σ (sprich: sigma). S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 8 / 50
9 Die Normalverteilung Dichte Dichte Im Gegensatz zu diskreten Variablen können Wahrscheinlichkeiten für stetige Variablen nicht direkt berechnet werden. Grund hierfür ist der Wertebereich: zwischen zwei reellen Zahlen liegen unendlich viele andere reelle Zahlen. Beispiel: Zwei Menschen sind nicht exakt gleich groß. Da der Ereignisraum unendlich groß ist, liegt die Wahrscheinlichkeit für ein Ereignis nahe bei Null. Die Wahrscheinlichkeit einer stetigen Zufallsvariable wird daher darüber bestimmt, wie wahrscheinlich es ist, dass diese Zahl in ein bestimmtes Intervall fällt. Dazu muss zunächst die Häufigkeitsverteilung der Variablen bestimmt werden: Diese nennt man Dichte bzw. Dichtefunktion. Die Fläche unter einer Dichteverteilung ist 1, bzw. 100%. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 9 / 50
10 Die Normalverteilung Dichte Dichte (Forts. 2) Die Wahrscheinlichkeit, dass eine stetige Zufallsvariable mit bekannter Verteilung in ein bestimmtes Intervall fällt, ist der Flächenanteil, der unterhalb der Dichteverteilung liegt. Flächenanteil unterhalb der Dichte ist gleich der Wahrscheinlichkeit, dass eine Zufallsvariable dieser Verteilung in diesem Intervall liegt. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 10 / 50
11 Die Normalverteilung Dichte Dichtefunktion der Normalverteilung Dichtefunktion der Normalverteilung Die Dichtefunktion der Normalverteilung ist definiert über: f(x) = 1 ] [ σ 2π exp (x µ)2 2σ 2 mit: < x < (1) wobei: f(x) Dichte an der Stelle x µ Populationsmittelwert σ Standardabweichung der Population π exp Exponentialfunktion e x mit e = S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 11 / 50
12 Die Normalverteilung Dichte Rechenbeispiel Dichte Für die normalverteilte Variable x = 14 N (µ = 15, σ = 1.2) soll die Dichte berechnet werden. Einsetzen: f(x) = 1 ] [ σ 2π exp (x µ)2 2σ 2 ] 1 (14 15)2 = 2π exp [ ( 2 = 0.33 exp 1 ) 2.88 = = 0.23 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 12 / 50
13 Die Normalverteilung Standardnormalverteilung Standardnormalverteilung Standardnormalverteilung Setzt man für µ = 0 und σ = 1 vereinfacht sich die Dichte der Normalverteilung zu: ] 1 (x 0)2 φ(x) = 2π exp [ = 1 ] exp [ x2 2π 2 (2) Diese Dichtefunktion nennt man Standardnormalverteilung. Jede normalverteilte Variable N (µ, σ) kann in die Standardnormalverteilung N (µ = 0, σ = 1) überführt werden. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 13 / 50
14 Die Normalverteilung Standardnormalverteilung Standardnormalverteilung µ = 0; σ = 1 Dichte -3σ -2σ -1σ 0 1σ 2σ 3σ z-werte S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 14 / 50
15 Die Normalverteilung Standardnormalverteilung Standardnormalverteilung µ = 0; σ = 1 Dichte 68.26% der Fläche -3σ -2σ -1σ 0 1σ 2σ 3σ z-werte [ ] 1 2π exp x2 2 dx 1 1 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 14 / 50
16 Die Normalverteilung Standardnormalverteilung Standardnormalverteilung µ = 0; σ = 1 Dichte 95.44% der Fläche -3σ -2σ -1σ 0 1σ 2σ 3σ z-werte [ ] 1 2π exp x2 2 dx 2 2 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 14 / 50
17 Die Normalverteilung Flächenanteile der Standardnormalverteilung Flächenanteile Da die Berechnung der Flächenanteile der Dichte verschiedener Verteilungen und damit der Wahrscheinlichkeiten für stetige Variablen i. d. R. sehr aufwendig ist, existieren für viele Verteilungen entsprechende Tabellen. Heuzutage können diese Flächenanteile auch mit Statistik- oder Tabellenkalkulationsprogrogrammen einfach bestimmt werden. Typischerweise sind die Flächen links vom Wert der Variablen tabelliert. Die Flächenanteile der Standardnormalverteilung sind tabelliert. Alle anderen normalverteilten Variablen müssen zunächst standardisiert werden, um die tabellierten Werte zu nutzen. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 15 / 50
18 Die Normalverteilung Flächenanteile der Standardnormalverteilung Flächenanteile der Standardnormalverteilung Angegeben sind die Flächenanteile links vom z-wert: z Fläche z Fläche z Fläche z Fläche z Fläche S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 16 / 50
19 Die Normalverteilung Flächenanteile der Standardnormalverteilung Bestimmung des Flächenanteils µ ± 1σ Wieviel Prozent der Messwerte der Standardnormalverteilung liegen im Bereich von ± einer Standardabweichung um den Mittelwert? Die Tabelle liefert für: F(z = 1) = F(z = 1) = Damit ist die Fläche im Bereich µ ± 1σ: Dies entspricht 68.26% der Fläche (unter Berücksichtigung der Rundungsungenauigkeiten). Da die Fläche unterhalb der Dichte als Wahrscheinlichkeit interpretiert werden kann, gilt äquivalent: p( 1 < z < 1) = S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 17 / 50
20 Die Normalverteilung Flächenanteile der Standardnormalverteilung Flächenanteile der Normalverteilung Für alle Normalverteilungen gilt: ± eine Standardabweichung um den Mittelwert liegen 68.24% aller Werte. ± zwei Standardabweichungen um den Mittelwert liegen 95.44% aller Werte. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 18 / 50
21 Die Normalverteilung Verteilungsfunktion Verteilungsfunktion Das Integral über die Dichtefunktion nennt man Verteilungsfunktion. Im englischen wird die Verteilungsfunktion als probability function (Wahrscheinlichkeitsfunktion) bezeichnet. Im diskreten Fall entspricht dies der Aufsummation. Die Verteilungsfunktion gibt an, wie wahrscheinlich es ist, dass eine Zufallsvariable kleiner oder gleich einem gegebenen Wert ist. Die rechnerische Bestimmung ist i. d. R. sehr aufwendig. Alle Statistikprogramme und einige Tabellenkalkulationsprogramme bieten aber entsprechende Funktionen zur Berechnung der Verteilungsfunktion vieler wichtiger Wahrscheinlichkeitsfunktionen an. Viele in der Statistik wichtige Funktionen sind in Tabellenwerken wiedergegeben. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 19 / 50
22 Die Normalverteilung Verteilungsfunktion Verteilungsfunktion bei N (µ = 0, σ = 1) 1.0 Wahrscheinlichkeit [0,1] z-werte S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 20 / 50
23 Die Normalverteilung Verteilungsfunktion Verteilungsfunktion bei N (µ = 15, σ = 1.2) 1.00 Wahrscheinlichkeit [0,1] Werte der Variablen S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 21 / 50
24 Die Normalverteilung Quantilsfunktion Quantilsfunktion In der Statistik ist auch oft von Interesse, welche Wahrscheinlichkeit einem bestimmen Wert entspricht. Dies ist das Inverse der Verteilungsfunktion und wird als Quantilsfunktion bezeichnet. Die Quantilsfunktion liefert also zu einem bestimmten Wahrscheinlichkeitswert (zwischen [0,1] bzw. 0 und 100%) den entsprechenden Wert der Variablen aus der Verteilung. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 22 / 50
25 Die Normalverteilung Quantilsfunktion Quantilsfunktion bei N (µ = 15, σ = 1.2) Quantilsfunktion bei µ = 15 und σ = 1.2 Werte der Variablen Wahrscheinlichkeit [0,1] S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 23 / 50
26 Zentrales Grenzwerttheorem Outline Zentrales Grenzwerttheorem Nicht-normalverteilte Population Simulation Zentrales Grenzwerttheorem S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 24 / 50
27 Zentrales Grenzwerttheorem Nicht-normalverteilte Population Nicht-normalverteilte Population Ein Merkmal y im Wertebereich 10 bis 60 ist gleichverteilt. Die Größe der Population beträgt N = Mittelwert: µ = S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 25 / 50
28 Zentrales Grenzwerttheorem Nicht-normalverteilte Population Histogramm Histogram of y Frequency y S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 26 / 50
29 Zentrales Grenzwerttheorem Simulation Simulation Nun ziehen wir m Zufallsstichproben der Größe n aus der Population und berechnen deren Mittelwert. Beispiel: Es werden 1000 Zufallsstichproben der Größe 15 gezogen. Damit m = 1000, n = 15. Wir haben damit 1000 Mittelwerte, die aus jeweils 15 zufälligen Einheiten der Population berechnet wurden. Aus diesen 1000 Mittelwerten wird wiederum der Mittelwert berechnet. Wie sieht die Verteilung der Mittelwerte aus? Was passiert? S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 27 / 50
30 Zentrales Grenzwerttheorem Simulation Mittelwertsverteilungen bei µ = m = 1000, n = 4 Mittelwert = m = 1000, n = 8 Mittelwert = Frequency Frequency Mittelwert Mittelwert Frequency m = 1000, n = 15 Mittelwert = Frequency m = 1000, n = 40 Mittelwert = Mittelwert Mittelwert S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 28 / 50
31 Zentrales Grenzwerttheorem Zentrales Grenzwerttheorem Zentrales Grenzwerttheorem Zentrales Grenzwerttheorem Die Verteilung von Mittelwerten aus Stichproben des Umfangs n, die derselben Grundgesamtheit entnommen wurden, geht mit wachsendem Stichprobenumfang in eine Normalverteilung über. Zitat aus Bortz und Schuster (2010, S. 86). S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 29 / 50
32 Zentrales Grenzwerttheorem Zentrales Grenzwerttheorem Standardfehler des Mittels Aus der Mittelwertsverteilung kann die Standardabweichung s berechnet werden. Man kann zeigen, dass die Varianz der Mittelwertsverteilung n mal kleiner ist als die Populationsvarianz. Standarddfehler des Mittels Allgemein kann die Varianz und Streuung der Mittelwertsverteilung berechnet werden über Varianz: ˆσ 2 x = s2 (3) n Standardabweichung: ˆσ x = s (4) n Die Standardabweichung der Mittelwertsverteilung wird als Standardfehler des Mittels bezeichnet. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 30 / 50
33 z-werte Outline z-werte Was sind z-werte? Berechnung von z-werten Anwendungsbeispiele Hinweise zur Interpretation S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 31 / 50
34 z-werte Was sind z-werte? Was sind z-werte? International gültige Standardeinheit. z-werte sind am Mittelwert und Streuung standardisiert: Sie haben einen Mittelwert von 0 und eine Streuung von 1. Auch viele BMI und Größentabellen basieren auf z-werten, werden hier aber als SD-Scores bzw. Standard Deviation Scores bezeichnet. Vorteil: Werte sind unabhängig vom Mittelwert und der Standardabweichung, sind also standardisiert und somit auch zwischen verschiedenen Kohorten vergleichbar. Zur Berechnung von Prozenträngen kann bei normalverteilten Variablen die Tabelle mit den z-werten herangezogen werden. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 32 / 50
35 z-werte Berechnung von z-werten Berechnung von z-werten Berechnung von z-werten z i = x i x s mit: x i i-ter Messwert x Mittelwert aller x i s Standardabweichung von x z-transformierte Variablen haben einen Mittelwert von 0 und eine Standardabweichung von 1. (5) S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 33 / 50
36 z-werte Berechnung von z-werten Beispiel Folgende Messwerte: 4, 7, 5, 9, 5, 9, 5, 9, 6, 3. Kennwerte: Mittelwert: 6.2 s = 2.2 z-transformation: z 1 = (4 6.2)/2.2, z 2 = (7 6.2)/2.2,... z-werte: 1, 0.36, 0.55, 1.27, 0.55, 1.27, 0.55, 1.27, 0.09, man kann somit sofort erkennen, ob ein Messwert über oder unter dem Mittelwert liegt, und wie wieviele Einheiten in Standardabweichungen er von diesem entfernt ist. Kennwerte der z-werte: Mittelwert = 0.00 s = 0.99 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 34 / 50
37 z-werte Anwendungsbeispiele Beispiel Normalverteilung Wie wahrscheinlich ist es, bei einer normalverteilten Zufallsvariable N (µ = 15, σ = 1.2) eine Zahl von bis zu 14 zu erhalten? F(x) = [ ] π exp (x 15)2 dx µ = 15; σ = Werte der Variablen S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 35 / 50
38 z-werte Anwendungsbeispiele Berechnung Ein Merkmal ist normalverteilt mit µ = 15, σ = 1.2. Wie wahrscheinlich ist es, einen Wert von bis zu 14 Punkten zu erreichen? 1 Berechne z-wert: z = x x s 2 Tabellenauszug: = = = z Fläche z Fläche z Fläche Unsere Tabelle liefert für einen z-wert von -0.8 ein Flächenanteil von Damit erreichen etwa 21% aller Personen einen Wert von höchstens 14, etwa 79% haben einen höheren Wert. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 36 / 50
39 z-werte Anwendungsbeispiele Vergleich zwischen unterschiedlichen Kohorten Zwei Schüler haben folgende Noten: Schüler A: Note 1.7, mit Klassendurchschnitt 1.9, s = 1.1 Schüler B: Note 1.9, mit Klassendurchschnitt 2.1, s = 0.8 Welcher Schüler ist, gemessen an seinem Kollektiv, besser? Berechnung der z-werte: Schüler A: = 0.18 Schüler B: = 0.25 Damit liegt Schüler B 0.25 Noten unter dem Klassendurchschnitt, Schüler A liegt 0.18 Noten unter dem Klassendurchschnitt. Schüler B hat, gemessen an der Klassenleistung, damit die bessere Durchschnittsnote. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 37 / 50
40 z-werte Hinweise zur Interpretation Hinweise zur Interpretation z-werte können bei jeder Variablen immer berechnet werden. Oft wird dann auch von standardisierter Variable gesprochen. Die Flächenanteile anhand der Standardnormalverteilung können aber nur sinnvoll interpretiert werden, wenn das Merkmal tatsächlich normalverteilt ist. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 38 / 50
41 Konfidenzintervalle Outline Konfidenzintervalle Vertrauensbereich Konfidenzintervalle für Mittelwerte S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 39 / 50
42 Konfidenzintervalle Vertrauensbereich Stichprobe und Population Wenn eine Messung durchgeführt wird, möchte man i. d. R. wissen, wie die Verhältnisse in der Population sind. Meistens kann man aber nicht die ganze Population messen, sondern nur eine Stichprobe. Beispiel: Wir möchten wissen, wie intelligent die Studierenden der SRH Heidelberg sind. Dazu erheben wir von 112 Studierenden mit dem IST 2000 den Intelligenzquotienten. Die SRH hat aber knapp 2600 Studierende, es haben also nicht alle Studierenden an unserer Studie mitgemacht. Der mittlere IQ berechnet aus den 112 Teilnehmern ist also nur eine Schätzung für den IQ aller 2600 SRH Studierenden. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 40 / 50
43 Konfidenzintervalle Vertrauensbereich Vertrauensbereich Parameter wie der Mittelwert sind Schätzungen von unbekannten Populationsparametern. Diese Schätzung ist mit einer gewissen Ungewissheit verbunden: Wir kennen den wahren Populationsparameter nicht, haben aber eine Schätzung für diesen. Ein Vertrauensbereich oder Konfidenzintervall ist ein Bereich um einen Parameter, in dem man mit einer gewissen Wahrscheinlichkeit den wahren Populationsparameter vermutet. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 41 / 50
44 Konfidenzintervalle Vertrauensbereich Herleitung Für die Berechnung eines Konfidenzintervalle gibt es verschiedene Verfahren. Typischerweise macht man eine Annahme über die Verteilung des gemessenen Merkmals. Dies ermöglicht es, wie im vorangegangenen Abschnitt gezeigt, eine Wahrscheinlichkeit für das Auftreten eines Parameters in bestimmten Grenzen zu berechnen. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 42 / 50
45 Konfidenzintervalle Konfidenzintervalle für Mittelwerte 95% der Standardnormalverteilung Wir suchen den Bereich, der 95% der Fläche um den Mittelwert der Standardnormalverteilung umfasst. Der Wert 1.96 schneidet 97.5% der Standardnormalverteilung ab. Der Wert schneidet 2.5% der Verteilung ab. Dazwischen liegen also 95%. Man spricht von einem (1 α) Konfidenzintervall, bei einem 95% KI ist α = 0.05 bzw. 5%. Allgemein: Zwischen zwei Perzentile z 1 α/2 und z α/2 befindet sich die Fläche (1 α). Äquivalent ist folgende Schreibweise: Zwischen z α/2 und z 1 α/2 befindet sich die Fläche (1 α). S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 43 / 50
46 Konfidenzintervalle Konfidenzintervalle für Mittelwerte 95% der Standardnormalverteilung Dichte 95% der Fläche 2.5% der Fläche 2.5% der Fläche -3σ -2σ -1σ 0 1σ 2σ 3σ z-werte S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 44 / 50
47 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Herleitung Die Stichprobenverteilung des arithmetischen Mittel hat den Erwartungswert µ und Streuung σ x. Wenn diese in die Standardnormalverteilung überführt werden soll, lautet die z-transformation: z = x µ σ x Die Wahrscheinlichkeit, dass dieser z-wert größer als das z α/2 und kleiner als z 1 α/2 ist lautet: Durch einsetzen ergibt sich: P(z α/2 z z 1 α/2 ) = 1 α P(z α/2 x µ z 1 α/2 ) = 1 α σ x S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 45 / 50
48 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Herleitung (Forts. 2) Dies kann umgeformt werden zu: P( x z α/2 σ x µ x + z 1 α/2 σ x ) = 1 α Komfidenzintervall für Mittelwert Damit liegt der Parameter µ mit einer Wahrscheinlichkeit (1 α) in folgenden Grenzen: untere Grenze = x z α/2 σ x obere Grenze = x + z 1 α/2 σ x (6) Eine ähnliche Herleitung finden Sie im Bortz und Schuster (2010, S. 93f) S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 46 / 50
49 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Anwendungsbeispiel Die durchschnittliche Arbeitsmotivation in einer Firma wurde mit dem Wert 34 (eher durchschnittlich) und Streuung 5.3 mit Stichprobengröße N = 66 ermittelt. Wie groß ist das 95% Konfidenzintervall für den Mittelwert? Berechnung: Da das KI 95% sein soll, ist α = Damit ist z 1 α/2 = Es gilt σ x = s n. Obere Grenze: = Untere Grenze: = Schlusssatz: Mit einer Wahrscheinlichkeit von 95% liegt die wahre Arbeitsmotivation im Bereich bis S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 47 / 50
50 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Hinweise zur Interpretation Durch Konfidenzintervalle kann abgeschätzt werden, in welchem Intervall ein wahrer Populationsparameter, z. B. µ liegt. Konfidenzintervalle werden auch sehr oft in der Diagnostik eingesetzt, um abzuschätzen, ob sich Werte zwischen Testteilnehmern bedeutsam unterscheiden, oder über die Zeit bedeutsam verändert haben. Überschneiden sich beispielsweise die Konfidenzintervalle zweier Mittelwerte nicht, so kann man davon ausgehen, dass die beiden Mittelwerte unterschiedlichen Populationen entstammen, sich daher unterscheiden. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 48 / 50
51 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Mitarbeitermotivation in zwei Firmen 95% KI Firma A: 34 ± := [32.72, 35.28] 95% KI Firma B: 39 ± := [37.61, 40.38] 40 Testwert 35 Firma A Firma B 30 S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 49 / 50
52 Konfidenzintervalle Konfidenzintervalle für Mittelwerte Literaturverzeichnis Bortz, J. & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Auflage). Berlin: Springer. S. Garbade (SRH Heidelberg) Normalverteilung Statistik 1 50 / 50
Statistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
MehrKonfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005
Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit
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
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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+
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:
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
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
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
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
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,
MehrSTATISTIK 1 - BEGLEITVERANSTALTUNG
STATISTIK 1 - BEGLEITVERANSTALTUNG VORLESUNG 3 - NORMALVERTEILUNG 05.12.2014 1 05.12.2014 1 Mona Ulrich, Psychologie (M.Sc.) AGENDA 01 DIE NORMALVERTEILUNG 02 ZENTRALES GRENZTHEOREM 03 Z-WERTE 04 KONFIDENZINTERVALLE
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
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
MehrMessung von Rendite und Risiko. Finanzwirtschaft I 5. Semester
Messung von Rendite und Risiko Finanzwirtschaft I 5. Semester 1 Messung von Renditen Ergebnis der Anwendung der Internen Zinsfuß- Methode ist die Rentabilität des Projekts. Beispiel: A0-100.000 ZÜ1 54.000
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
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
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
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
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
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.
MehrStatistik 2 für SoziologInnen. Stetige Zufallsvariable Normalverteilung & Exponentialverteilung
Statistik 2 für SoziologInnen Stetige Zufallsvariable Normalverteilung & Exponentialverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
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.
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
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
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
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
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
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
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
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
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
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
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
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
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
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
MehrEinführung in die Korrelationsrechnung
Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
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
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 11. Winterthur, 10. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 10. Mai 017 1 Zufallsvariablen:
MehrPrüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
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
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
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
MehrDeskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!)
Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!) - Arithmetisches Mittel o Das arithmetische Mittel (auch Durchschnitt) ist ein Mittelwert, der als Quotient
MehrEvaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests
Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung V: Konfidenzintervalle // Normalverteilungstests Seminarinhalte Sitzung V: 16.05.2018 Konfidenzintervalle bei bekannter Varianz Konfidenzintervalle
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
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
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
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
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
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)
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrHandelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?
1. Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen? a.) Anzahl der Kunden, die an der Kasse in der Schlange stehen. b.) Die Menge an Energie, die pro Tag von einem Energieversorgungsunternehmen
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
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,
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:
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
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
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
MehrStetige Wahrscheinlichkeitsverteilung
Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische
MehrProbeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende
Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten
Mehr1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests
1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests Statistische Tests dienen dem Testen von Vermutungen, so genannten Hypothesen, über Eigenschaften der Gesamtheit aller Daten ( Grundgesamtheit
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
MehrStatistik für Bachelorund Masterstudenten
Walter Zucchini Andreas Schlegel Oleg Nenadic Stefan Sperlich Statistik für Bachelorund Masterstudenten Eine Einführung für Wirtschaftsund Sozialwissenschaftler 4y Springer 1 Der Zufall in unserer Welt
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
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
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
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
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
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
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
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
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
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
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
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
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
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
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)
Mehr