Georg-August-Universitt

Gttingen
Fakultt fr Agarwissenschaften
Vorlesung Mathematik und Statistik
Teilgebiet Statistik
Wintersemester 2010/2011
Dr. Sven Knig
Institut fr Tierzucht und Haustiergenetik, Gttingen
2
L
A
T
E
X by Hendrik Schmidt
Statistik Mathematik und Statistik WS 2010/2011
Inhaltsverzeichnis
I Warscheinlichkeiten 3
1 Warscheinlichkeit 5
1.1 Denition der Wahrscheinlichkeit . . . . . . . . . . . . . . . . . . . . 5
1.2 Wahrscheinlichkeitsmodelle . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Zusammengesetzte Ereignisse . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Komplementre Wahrscheinlichkeiten . . . . . . . . . . . . . . . . . . 8
1.5 unmgliches Ereignis, sicheres Ereignis . . . . . . . . . . . . . . . . . 9
1.6 bedingte Wahrscheinlichkeit . . . . . . . . . . . . . . . . . . . . . . . 9
1.6.1 Stichprobenziehung aus kleinen Grundgesamtheiten . . . . . 9
1.7 Unabhngigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Warscheinlichkeitsverteilungen 13
2.1 Verteilung einer diskreten Zufallsvariablen . . . . . . . . . . . . . . . 13
2.1.1 graphische Darstellung . . . . . . . . . . . . . . . . . . . . . . 14
[Link] Histogramm (Polygon) . . . . . . . . . . . . . . . . 14
[Link] Summenhugkeitsverteilung (Summenpolygon) . . 14
2.1.2 Mittelwert einer diskreten Zufallsvariable . . . . . . . . . . . 14
2.1.3 Varianz einer diskreten Zufallsvariablen . . . . . . . . . . . . 16
2.1.4 Standardabweichung . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Zwei diskrete Zufallsvariablen . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Korrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2 Die Regression von y auf x . . . . . . . . . . . . . . . . . . . 18
3 Binominalverteilung und Multinominalverteilung 19
3.1 Binre Zufallsvariablen . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Binominalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Multinominalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . 21
1
2 INHALTSVERZEICHNIS
4 Kontinuierliche Wahrscheinlichkeitsverteilung 23
4.1 Kontinuierliche Wahrscheinlichkeitsverteilung . . . . . . . . . . . . . 23
4.1.1 Wahrscheinlichkeitsfunktion (Kurvengleichung) . . . . . . . . 24
4.2 Standardisierung beliebiger Normalverteilungen . . . . . . . . . . . . 25
4.3 Das Schtzen von Mittelwerten . . . . . . . . . . . . . . . . . . . . . 27
4.3.1 Die Grundgesamtheit . . . . . . . . . . . . . . . . . . . . . . 27
4.3.2 Die Stichprobe und ihre Parameter . . . . . . . . . . . . . . . 28
5 Regression 31
5.1 Kovarianz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.2 Korrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3 Die Regression von y auf x . . . . . . . . . . . . . . . . . . . . . . . 32
5.3.1 Korrektur mittels Regression . . . . . . . . . . . . . . . . . . 35
A Varianz und Kovarianz linearer Funktionen 37
B Tabellen und Dateien 39
B.1 Standardnormalverteilung Tabelle . . . . . . . . . . . . . . . . . . . 39
B.2 Dateien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
B.2.1 Verwendete Plot Datei . . . . . . . . . . . . . . . . . . . . . . 41
Stichwortverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Abbildungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Vorwort
Ein Groteil der in der Vorlesung verwendeten Skripte und Inhalte basiert auf Vor-
lesungsunterlagen von Kay-Uwe Gtz (ehemals Universitt Gttingen) aus den 90er
Jahren. Hierfr sei Kay-Uwe Gtz recht herzlich gedankt.
Statistik Mathematik und Statistik WS 2010/2011
Teil I
Warscheinlichkeiten
3
Kapitel 1
Warscheinlichkeit
1.1 Denition der Wahrscheinlichkeit
Beispiel:
Relative Frequenzen
f
n
fr die Augenzahl eines Wrfels in Abhngigkeit der Anzahl der
Wrfe n
Augenzahl Relative Frequenz
n=10 n=50 n =
1 .10 .22 .167
2 .00 .12 .167
3 .10 .14 .167
4 .20 .14 .167
5 .30 .14 .167
6 .30 .24 .167
1.00 1.00 1.00
Die erwartete Verteilung (in unserem Fall die gleiche relative Hugkeit der Augen-
zahl 1 bis 6 von
1
6
= 0.167) ergibt sich mit steigender Anzahl n der Wrfe. Somit
gilt also:
Denition: Wahrscheinlichkeit
Warscheinlichkeit = Grenzwert der relativen Hugkeit
Pr = lim
n
=
_
f
n
_
(1.1)
Warscheinlichkeit eines bestimmten Ereignisses
Es gibt insgesamt 6 mgliche Ereignisse = {1, 2, 3, 4, 5, 6}. Wenn die Zahl ein
(gnstiges) Ereignis sein soll, so gilt
Pr(5) =
1
6
oder allgemein formuliert Pr(E) =
gnstig Ereignis
mgliche Ereignisse
5
6 KAPITEL 1. WARSCHEINLICHKEIT
1.2 Wahrscheinlichkeitsmodelle
Oftmals bendet man sich in der Situation, dass man die Wahrscheinlichkeit fr ein
bestimmtes Ereignis bestimmen will.
Beispiel:
Ein Rinderzchter macht Embryotransfer (ET) mit seiner besten Kuh, um ein Bullenkalb
B fr eine Besamungsstation zu erzeugen. Er hat vom ET drei Trchtigkeiten und will
nun wissen, mit welcher Wahrscheinlichkeit ein B anfllt.
Um diese Frage zu beantworten, nehmen wir zunchst an, die Wahrscheinlichkeit der
beiden Ereignisse, "Bullenkalb"B und "Kuhkalb"K, jeweils
1
2
ist, also
Pr(B) = Pr(K) =
1
2
Mengen der mglichen Ereignisse:
1. Beim ersten Kalb
1
= {B, K}
2. Bei zwei Klbern verdoppelt sich die Menge
2
= {BB, BK, KB, KK}
3. Bei drei Klbern eine nochmalige Verdopplung

3
= {BBB, BKB, BBK, KBB, BKK, KBK, KKB, KKK}
Da die Ereignisse voneinander unabhngig sind
a
und die Wahrscheinlichkeit
Pr(B) = Pr(K) =
1
2
ist, so sind auch die Warscheinlichkeiten der 8 Ereignisse
gleich (je
1
8
= 0.125).
a
Geschlecht des Kalbes bei der zweiten Kalbung ist unabhngig von dem der ersten Kalbung
Wahrscheinlichkeitsbaum
Das obige Beispiel lsst sich nun mittels eines Warscheinlichkeitsbaumes genauer
betrachten.
In 7 der 8 Ereignisse in
3
wird der Wunsch des Zchters, mindestens ein Bullenkalb
zu erhalten, erfllt. Die Wahrscheinlichkeit fr ein Bullenkalb ist somit
7
8
.
Pr(min. 1 B) =
gnstig
mglich
=
7
8
Die gnstigste Situation fr den Zchter, genau ein Bullenkalb und zwei Kuhklber
zu erhalten, hat die Wahrscheinlichkeiten
Pr(1B, 2K) =
gnstig
mglich
=
3
8
Die Wahrscheinlichkeit fr das gleichzeitige Eintreten mehrerer Ereignisse
ist somit das Produkt der Einzelwahrscheinlichkeiten.
Beispiel:
Pr(B) = 0.52, Pr(K) = 0.48 (Siehe Abb. 1.2)
Statistik Mathematik und Statistik WS 2010/2011
1.3. ZUSAMMENGESETZTE EREIGNISSE 7
1. Kalb 2. Kalb 3. Kalb Ergebnis(E) Pr(E)
B BBB 0.125
K BBK 0.125
B BKB 0.125
K BKK 0.125
B KBB 0.125
K KBK 0.125
B KKB 0.125
K KKK 0.125

B
K
B
K
B
K
Abbildung 1.1: Wahrscheinlichkeitsbaum ET-Beispiel bei gleicher Wahrschein-
lichkeit
1. Kalb 2. Kalb 3. Kalb Ergebnis(E) Pr(E)
B BBB 0.14
K BBK 0.13
B BKB 0.13
K BKK 0.12
B KBB 0.13
K KBK 0.12
B KKB 0.12
K KKK 0.11

B
K
B
K
B
K
0.52
0.52
0.52
0.52
0.52
0.52
0.42
0.42
0.42
0.42
0.42
0.42
0.42
0.52
Abbildung 1.2: Wahrscheinlichkeitsbaum ET-Beispiel bei unterschiedlicher
Wahrscheinlichkeit
1.3 Zusammengesetzte Ereignisse
Es gilt weiterhin das ET-Beispiel.
Annahme: Der Zchter wre enttuscht, wenn er weniger als 2 Kuhklber bekme
(Ereignis A) oder wenn alle Klber das gleiche Geschlecht htten (Ereignis
B). Was ist die Warscheinlichkeit fr das Eintreen von mindestens einer dieser
Bedingungen?
Ergebnismenge A fr weniger als zwei Kuhklber E
A
= {e
1
, e
2
, e
3
, e
5
}
Statistik Mathematik und Statistik WS 2010/2011
8 KAPITEL 1. WARSCHEINLICHKEIT
Ergebnismenge B fr alle Klber mit gleichem Geschlecht E
B
= {e
1
, e
8
}
Ergebnismenge Enttuschung des Zchters E
AB
= {e
1
, e
2
, e
3
, e
5
, e
6
} =
5
8
Menge aller Ergebnisse, die in A oder B vorkommen
Achtung!
Pr(A B) = Pr(A) +Pr(B)
5
8
=
4
8
+
2
8
Die Ergebnismengen von A und B haben das berlappende Ereignis e
1
gemeinsam.
Diese "Doppelzhlung"von e
1
muss korrigiert werden!
Pr(A B) = Pr(A) +Pr(B) Pr(A B)
Der Zchter wre noch enttuschter, wenn er weniger als 2 Kuhklber bekme
(Ergebnis A) und wenn alle Klber das gleiche Geschlecht htten (Ergeb-
nis B). Ergebnismenge Entuschung des Zchters
E
AB
= {e
1
} =
1
8
Menge aller Ergebnisse, die A und B enthalten.
1.4 Komplementre Wahrscheinlichkeiten
Denition: komplementres Ereignis
Zu jedem Ereignis E lsst sich ein Ereignis

E nden, dass das genaue Gegenteil von E
ist. Dieses Ereignis

E wird als Komplement des Ereignisses E bezeichnet.

E = Menge aller Ereignisse, die nicht E angehren

Somit gilt:
Pr(E) +Pr(

E) = 1.00 und somit auch
Pr(E) = 1.00 Pr(

E)
Wieder zum ET-Beispiel:
Es geht um die Wahrscheinlichkeit, mindestens 1 Bullenkalb zu erhalten. Die kom-
plementre Wahrscheinlichkeit hierzu ist, dass alle drei Klber weiblich sind. Diese
komplementre Wahrscheinlichkeit ist Pr(

E) =
1
8
und somit Pr(E) = 1
1
8
=
7
8
Statistik Mathematik und Statistik WS 2010/2011
1.5. UNMGLICHES EREIGNIS, SICHERES EREIGNIS 9
1.5 unmgliches Ereignis, sicheres Ereignis
Denition: unmgliches Ereignis
Mache Ereignisse knnen aufgrund der Denition des Experiments niemals eintreten.
Solche Ereignisse werden als unmgliche Ereignisse bezeichnet. Ein unmgliches Ereignis
hat die Wahrscheinlichkeit 0.
Pr(unmglich) = 0
ET-Beispiel:
Das Ereignis "Weder ein Bullenkalb noch ein Kuhkalb"kann im Experiment nicht
eintreten, somit gilt:
Pr(weder A noch B) = 0
Der Umkehrschluss gilt nicht: Ein Ereignis mit der Wahrscheinlichkeit 0, ist nicht
immer ein unmgliches Ereignis
1
. Andere Ereignisse treten auf jeden Fall ein und
sind daher sichere Ereignisse.
Denition: sicheres Ereignis
Ein sicheres Ereignis tritt denitiv ein und hat die Wahrscheinlichkeit 1.
Pr(sicheres Ereignis) = 1
1.6 bedingte Wahrscheinlichkeit
Denition: Bedingte Wahrscheinlichkeit
Wahrscheinlichkeit eines Ereignisses unter der Bedingung, das ein anderes Ereignis bereits
eingetreten ist.
Formale Schreibweise fr bedingte Wahrscheinlichkeit:
Pr(B|A) =
Pr(A B
Pr(A)
Pr(A B) = Pr(A) Pr(B|A)
1.6.1 Stichprobenziehung aus kleinen Grundgesamtheiten
Denition: Grundgesamtheit
Die Grundgesamtheit (auch Population) bezeichnet die Menge aller statistischen Ein-
heiten mit bereinstimmenden Identikationskriterien (sachlich, zeitlich, rtlich).
1
Wird spter noch gezeigt
Statistik Mathematik und Statistik WS 2010/2011
10 KAPITEL 1. WARSCHEINLICHKEIT
Insbesondere in kleinen Grundgesamtheiten werden die Wahrscheinlichkeiten durch
die Entnahme eines Elements stark verndert. Der Statistiker bezeichnet dies als
"Ziehen ohne Zurcklegen". Durch die Entfernung eines Elements werden die
Wahrscheinlichkeiten in der Grundgesamtheit umso strker verndert, je kleiner
die Grundgesamtheit ist.
Beispiel:
Ein Landwirt bentigt zur Reparatur einer Maschine eine 12er Schraube. Seine Schrauben
bewahrt er in sieben gleichen Schachteln auf. Davon enthalten 3 Schachteln 12er
Schrauben. Wie gro ist die Wahrscheinlichkeit, wenn er zwei Schachteln net, dass
er keine 12er Schraube ndet?
Ereignisse:
S
1
keine Schraube in der 1. Schachtel
S
2
keine Schraube in der 2. Schachtel
Gesucht: Pr(S
1
S
2
) = Pr(S
1
) Pr(S
2
|S
1
) =
4
7

3
6
=
2
7
1.7 Unabhngigkeit
Oftmals kommt es vor, dass die Kenntnis ber ein erstes Ereignis E keine Auswirkun-
gen auf die Wahrscheinlichkeit eines zweiten Ereignisses F hat. Die Ereignisse sind
somit unabhngig voneinander. Hierfr gilt fr das gleichzeitige Eintreen von
Ereignis F und Ereignis E
Pr(F E) = Pr(F) Pr(E)
Wenn zwei Ereignisse voneinander unabhngig sind, ist die Wahrscheinlichkeit des
gemeinsamen Eintreens der beiden Ereignisse gleich dem Produkt der beiden
Einzelwahrscheinlichkeiten.
Beispiel:
Wahrscheinlichkeit fr das Geschlecht eines Kalbes ist bei jeder Geburt gleich und un-
abhngig vom Geschlecht des Kalbes bei der vorhergegangenen Geburt. Jedes Mal wer-
den bei der Paarung Millionen Spermien eingesetzt, die zur Hlfte X- und zur Hlte
Y-Chromosomen vom Vater tragen. Fr zwei weibliche Klber bei zwei Geburten gilt:
Pr(K K) = Pr(K) Pr(K) = 0.5 0.5 = 0.25
Statistik Mathematik und Statistik WS 2010/2011
1.7. UNABHNGIGKEIT 11
Beispiel:
Untersuchung einer Krankheit in NS und SWH:
gesund befallen
NS 70.0% 7.0% 77.0%
SWH 20.9% 2.1% 33.0 %
90.9% 9.1% 100.0%
Aus der Tabelle kann man direkt die interessierenden Wahrscheinlichkeiten ablesen.
Pr(NS) = 77.0% = 0.77
Pr(gesund) = 0.909
Pr(gesund|NS) =
Pr(gesundNS)
Pr(NS)
=
0.7
0.77
= 0.91
Wenn beide Ereignisse unabhngig sind, muss gelten:
Pr(gesund NS) = Pr(gesund) Pr(NS) = 0.77 0.909 = 0.699
Dies wird durch die obige Tabelle besttigt.
Zusammenfassung der Erkenntnisse
Pr(E F) Pr(E F)
allgemeine Regel = Pr(E) +Pr(F) Pr(E F) = Pr(E) Pr(F|E)
Spezialfall = Pr(E) + Pr(F), wenn
Pr(E F) = 0 sich die
Ereignisse also ausschlieen
= Pr(E) Pr(F), wenn
Pr(F|E) = Pr(F), d.h. E und
F unabhngig sind
Statistik Mathematik und Statistik WS 2010/2011
12 KAPITEL 1. WARSCHEINLICHKEIT
Statistik Mathematik und Statistik WS 2010/2011
Kapitel 2
Warscheinlichkeitsverteilungen
2.1 Verteilung einer diskreten Zufallsvariablen
Wieder zurck zum ET-Bespiel aus Abschnitt 1.2:
Der Zchter interessiert sich nur fr die Anzahl der Kuhklber, die aus ET bei
drei Trchtigkeiten geboren werden. Die Zufallsvariable X ist somit die Anzahl der
geborenen Kuhklber.
Zufallsvariable X = Anzahl der Kuhklber
Mit Wertebereich R fr x = {0, 1, 2, 3}. Die Werte x in R sind aber nicht gleich
wahrscheinlich.
Ergebnis(E) Pr(E)
BBB 0.14
BBK 0.13
BKB 0.13
BKK 0.12
KBB 0.13
KBK 0.12
KKB 0.12
KKK 0.11

0 0.14
1 0.39
2 0.36
3 0.11

x p(x)
orginaler Stichprobenbaum neuer Stichprobenbaum
Abbildung 2.1: Wahrscheinlichkeitsverteilung fr die diskrete Zufallsvariable X
p(x) wird als Wahrscheinlichkeitsfunktion der Zufallsvariablen X bezeichnet. Wir se-
hen in Abbildung 2.1, dass auch bei einer Zufallsvariablen die Summe der Wahrschein-
lichkeiten 1 ist.
13
14 KAPITEL 2. WARSCHEINLICHKEITSVERTEILUNGEN
2.1.1 graphische Darstellung
Es lassen sich zur graphischen Darstellung der Wahrscheinlichkeitsverteilung einer
diskreten Zufallsvariablen verschiedene Modelle whlen.
[Link] Histogramm (Polygon)
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0 1 2 3
p
(
x
)
Anzahl der Kuhklber
Histogramm in Polygondarstellung
Abbildung 2.2: Polygon zum obigen ET Beispiel
[Link] Summenhugkeitsverteilung (Summenpolygon)
Die Berechnung der Wahrscheinlichkeiten erfolgt durch Addition der Einzelwahrschein-
lichkeiten. Hierzu ein Beispiel.
Beispiel:
Es ist im ET-Beispiel aus Abschnitt 1.2 die Wahrscheinlichkeit weniger als zwei Kuhkl-
ber zu bekommen, nach der neuen Methode, zu berechnen.
Pr(X < 2) = p(< 2) = p(0) +p(1) = 0.14 + 0.39 = 0.53 oder anders ausgedrckt:
Pr(X 1) = p( 1) = F(1) = 0.53
2.1.2 Mittelwert einer diskreten Zufallsvariable
Wieder ein neuer Fall in userem ET-Beispiel: Der Zchter will wissen, wieviel weib-
liche Klber er im Durchschnitt erhlt, wenn er den ET beliebig oft wiederholt und
immer drei Trchtigkeiten dabei hat.
Statistik Mathematik und Statistik WS 2010/2011
2.1. VERTEILUNG EINER DISKRETEN ZUFALLSVARIABLEN 15
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 1 2 3
p
(
x
)
Anzahl der Kuhklber
Histogramm in Summenpolygondarstellung
Abbildung 2.3: Summenpolygon zum obigen ET Beispiel
Denition: Mittelwert
Der Mittelwert fr die Verteilung der diskreten Zufallsvariable X ist:
=

R
x p(x)
Es wird also jeder Wert fr x mit seiner relativen Hugkeit p(x) mulitpliziert und
anschlieend aufsummiert.
In unserem Fall
= (0 0.14) + (1 0.39) + (2 0.36) + (3 0.11) = 1.44
Rechts und links von benden sich also rund 50% der Wahrscheinlichkeitsmasse.
Statistik Mathematik und Statistik WS 2010/2011
16 KAPITEL 2. WARSCHEINLICHKEITSVERTEILUNGEN
2.1.3 Varianz einer diskreten Zufallsvariablen
Beispiel:
Wahrscheinlichkeitsverteilung des Bierkonsums zweier Studenten (in Flaschen pro Tag)
x
0 1 2 3 4 5 6
Student 1 p(x) .50 .30 .00 .00 .00 .00 .20 1.5
Student 2 p(x) .00 .50 .50 .00 .00 .00 .00 1.5
Es ergibt sich ein Mittelwert von

1
= x p(x) = (0 0.5) + (1 0.3) + (2 0) + (3 0) + (4 0) + (5 0) + (6 0.2) = 1.5

2
= x p(x) = (0 0) + (1 0.5) + (2 0.5) + (3 0) + (4 0) + (5 0) + (6 0) = 1.5
Beide Studenten trinken im Durchschnitt 1.5 Flaschen Bier pro Tag, was sie aber unter-
scheidet ist die Variation in der Anzahl der getrunkenen Flaschen.
Zur Messung dieser Variation bedient man sich der Varianz.
Denition: Varianz
Die Varianz
2
ist gleich Summe der quadrierten Abweichungen der einzelnen Werte vom
Mittelwert, die mit ihren Wahrscheinlichkeiten gewichtet werden.

2
=

(x )
2
p(x) oder quivalent

2
=

x
2
p(x)
2
In unserem Studentenbeispiel ist die Varianz der getrunkenen Bieraschen:
Varianz der Trinkleistung von Student 1:
2
1
= 5.25 Flaschen
2
Varianz der Trinkleistung von Student 2:
2
2
= 0.25 Flaschen
2
2.1.4 Standardabweichung
Die Einheit der Varianz ist die Einheit der Zufallsvariablen zum Quadrat. An-
schaulicher ist es oft, die Quadratwurzel der Varianz
2
, die sogenannte Standard-
abweichung , anzugeben.
Standardabweichung der Trinkleistung von Student 1:
1
= (5.25 Flaschen)
0.5
=
2.29
Standardabweichung der Trinkleistung von Student 2:
2
= (0.25 Flaschen)
0.5
=
0.5
,d.h. die Trinkleistung von Student 2 variiert typischerweise um 0.5 Flaschen um
den Mittelwert, er trinkt also gleichmssiger als Student 1, dessen Trinkleistung um
2.29 Flaschen um den Mittelwert variiert.
Statistik Mathematik und Statistik WS 2010/2011
2.2. ZWEI DISKRETE ZUFALLSVARIABLEN 17
2.2 Zwei diskrete Zufallsvariablen
Denition: Kovarianz
Die Kovarianz c
x,y
beschreibt die Beziehung zwischen 2 Zufallsvariablen X und Y .
Berechnung der Kovarianz:

x,y
=

x

y
(x
x
) (y
y
) p(x, y)
oder in der einfacheren Form

x,y
=
_

y
x y p(x, y)
_

y
Wie man leicht erkennt ist die Varianz ein Sonderfall der Kovarianz, nmlich die
Kovarianz einer Variable mit sich selbst. Ein Beispiel mag die Zusammenhnge der
zwei Zufallsvariablen verdeutlichen.
Beispiel:
Die gemeinsame Verteilung aus Zuchttierverkufen (in TDM) und Herdenmilchleis-
tungsklasse (in 1000 kg) stellt sich wie folgt dar:
Milchleistung X
Einnahmen Y 5 6 7 8 p(y)
10 0.20 0.05 0.01 0.26
20 0.10 0.30 0.08 0.49
30 0.07 0.11 0.05 0.26
40 0.03 0.26
p(x) 0.30 0.42 0.20 0.08 1.00

x
= 6.06
y
= 20.5

2
x
= 0.82
2
y
= 56.75
Zur Berechnung der Kovarianz beginnen wir im oberen linken Feld der Tabelle und
multiplizieren.

x,y
= (5 10 0.20 + 6 10 0.05 + + 8 40 0.03) 6.06 20.5 = 3.97
2.2.1 Korrelation
Das Vorzeichen der Korrelation gibt an, ob die Beziehung zwischen zwei Variablen
positiv oder negativ ist, oder ob keine Beziehung zwischen den Variablen beste-
ht. Die Kovarianz hat als Einheit das Produkt der Einheiten der beiden Variablen.
Auerdem ist die Hhe der Kovarianz von der Skala abhngig in der beide Variablen
ausgedrckt werden. Htten wir beispielsweise im letzten Beispiel die Herdenmilch-
leistung in kg statt 1000 kg abgegeben, wre unsere Kovarianz 3970 anstatt 3.97.
Um diese Probleme zu umgehen, standardisieren wir die Kovarianz hnlich wie wir
Statistik Mathematik und Statistik WS 2010/2011
18 KAPITEL 2. WARSCHEINLICHKEITSVERTEILUNGEN
das schon frher getan haben. Wir dividieren sie durch das Produkt der Standard-
abweichungen der beiden Variablen und somit eine dimensionslose Gre , die wir
als Korrelation bezeichnen.
Denition: Korrelation
Die Korrelation ist also gegeben durch
=

x,y

y
Damit haben der Zhler und der Nenner immer dieselben Dimensionen und eine n-
derung der Skala hat keine Auswirkungen mehr auf die Hhe der Korrelation. Auerdem
gilt fr den numerischen Wert der Korrelation immer:
1 +1
Ein Wert von = 1 bedeutet, das die beiden Variablen vollstndig miteinander
verbunden sind. In unserer Tabellendarstellung wrde das bedeuten, dass nur auf
der Diagonalen von links oben nach rechts unten Warscheinlichkeiten ungleich Null
auftreten. Umgekehrt bedeutet eine Korrelation von = 1, dass nur auf der Di-
agonalen von links unten nach rechts oben Werte ungleich Null auftreten.
Durch den dimensionslosen und standardisierenden Charakter der Korrelation sind
wir sogar in der Lage vllig unterschiedliche Variablenpaare miteinander zu vergle-
ichen. Zum Beispiel knnten wir die Enge der Beziehung zwischen Fleischanteil und
Rckenspeckdicke bei Schweinen vergleichen.
2.2.2 Die Regression von y auf x
Die Korrelation ist eine gute und dimensionslose Gre zur Messung der Enge der
Beziehung zweier Variablen. Gerade dieser abstrakte Charakter macht sie jedoch
fr bestimmte Fragestellungen ungeeignet. Oftmals will man die Beziehung zwis-
chen zwei Variablen dazu benutzen, die Werte der einen Variablen durch Korrektur
fr die Unterschiede in der anderen Variablen besser vergleichbar zu machen. Hierzu
muss man wissen, um welchen Betrag sich die eine Variable ndert, wenn sich die
andere Variable um eine Einheit ndert. Die Gre die diese Vernderung quan-
tiziert, nennt man den Regressionskoeffizienten.
Denition: Regressionskoezient
Der Regressionskoezient gibt an, um wieviel Einheiten sich y ndert, wenn x sich um
eine Einheit ndert.
b
x,y
=

x,y

2
x
=
Kovarianz
Varianz in x
Statistik Mathematik und Statistik WS 2010/2011
Kapitel 3
Binominalverteilung und
Multinominalverteilung
3.1 Binre Zufallsvariablen
Es gibt nur zwei verschiedene Mglichkeiten (Ergebnisse): Erfolg oder Misserfolg,
krank oder gesund, grer gleich 150 cm oder kleiner als 150 cm.
Solche Zufallsvariablen, die nur zwei Ergebnisse zulassen, heien binre Variablen
und das dazugehrige Experiment heisst binres Zufallsexperiment. Die binren
Variablen erhalten die Wertzuweisung 1 (z.B. fr den Erfolg) und eine 0 (z.B. fr
den Misserfolg).
Wahrscheinlichkeit des Erfolgs:
Wahrscheinlichkeit des Misserfolgs: 1 = komplementres Ereignis zum
Erfolg
Wahrscheinlichkeitsverteilung fr eine binre Zufallsvariable X:
x p(x)
0 (1-)
1

1
Mittelwert und Varianz von X:
Mittelwert = 1 + 0 (1 ) = = Frequenz des Erfolgs
Varianz

2
=

(x )
2
p(x)
= (1 )
2
+ (0 )
2
(1 )
2
= (1 )(1 ) +
2
(1 )
= (1 )[(1 ) +)]
= (1 )
19
20
KAPITEL 3. BINOMINALVERTEILUNG UND
MULTINOMINALVERTEILUNG
x p(x) xp(x) x
2
p(x)
0 (1-) 0 0
1
=

x
2
p(x) =

2
=
2
= (1 )
3.2 Binominalverteilung
Basis: Binrvariable, binres Zufallsexperiment
Ein binres Zufallsexperiment wird n-mal wiederholt (Bernoulli-Versuch).
Bedingungen:
1. bzw (1 ) sind in jeder Wiederholung gleich
2. Unabhngigkeit der einzelnen Wiederholungen
Beispiel:
Wieder zurck zu unserem ET-Beispiel aus Abschnitt 1.2:
Binrvariable: Kuhkalb oder Bullenkalb
Gesucht: Wahrscheinlichkeit fr genau ein Kuhkalb bei drei Geburten (=Wiederholun-
gen)
Zuvor haben wir zur Ermittlung der Wahrscheinlichkeit einen Wahrscheinlichkeits-
baum benutzt. Nun werden wir die allgemeine Formel der Binominalverteilung be-
nutzen.
Denition: allgemeine Formel der Binominalverteilung
p(k) =
_
n
k
_
p
k
q
nk
(Mit p(k) der Wahrscheinlichkeit von k-Erfolgen bei n-Wiederholungen, n Wiederholungen, k
Anzahl der Erfolge und der Wahrscheinlichkeit fr den Erfolg p und Misserfolg q)
Dabei ist
_
n
k
_
als
_
n
k
_
=
n!
k! (n k)!
deniert.
In unserem Beispiel ist p = und q = (1 ) womit die Formel die Form
p(k) =
_
n
k
_

k
(1 )
nk
Statistik Mathematik und Statistik WS 2010/2011
3.3. MULTINOMINALVERTEILUNG 21
Weiterhin ist n = 3 und k = 1. Allgemein ist
_
n
k
_
die Anzahl mglicher, verschieden-
er Untermengen mit k Erfolgen, die man aus n Elementen bilden kann. Fr unser
Beispiel gibt es also
_
3
0
_
= 1 Anordnung, in der man 0 Kuhklber erhlt (BBB),
_
3
1
_
= 3 Anordungen mit einem Kuhkalb,
_
3
2
_
= 3 Anordnungen mit zwei Kuhkl-
bern und
_
3
3
_
= 1 Anordnungen mit drei Kuhklbern.
Beispiel:
Gesucht ist die Wahrscheinlichkeit in einem Wurf mit 12 Ferkeln genau fnf mnnliche
Ferkel zu haben, wenn die Wahrscheinlichkeit fr ein mnnliches Ferkel genau 0.5 betrgt.
p(k) =
_
n
k
_

k
(1 )
nk
p(5) =
_
12
5
_

5
(1 )
125
= 0.193
In vielen Situationen bietet es sich jedoch an, die Gegenwahrscheinlichkeit zu berech-
nen.
Beispiel:
Wahrscheinlichkeit fr mindestens ein Kuhkalb bei drei Geburten (vgl. ET-Beispiel aus
Abschnitt 1.2)
Diese Forderung ist bei p(1), p(2) und p(3), also bei 1, 2 oder 3 Kuhklbern erfllt. Die
Gegenwahrscheinlichkeit ist p(0), also kein Kuhkalb.
Es gilt: p(1) +p(2) +p(3) = 1 p(0). Es muss also nur p(0) berechnet werden und diese
Wahrscheinlichkeit ist von 1 abzuziehen.
Mittelwert der Binominalverteilung
= n
(Im ET-Beispiel: = 3 0.48 = 1.44)
Varianz der Binominalverteilung
= n(1 )
Standardabweichung der Binominalverteilung
=
_
n(1 )
3.3 Multinominalverteilung
Die Binominalverteilung erlaubt nur zwei Ereignisse (Erfolg oder Misserfolg). Ab-
hilfe schat die Multinominalverteilung.
Statistik Mathematik und Statistik WS 2010/2011
22
KAPITEL 3. BINOMINALVERTEILUNG UND
MULTINOMINALVERTEILUNG
Denition: Multinominalverteilung
Die Multinominalverteilung ist analog zur Binominalverteilung allerdings sind hier mehr
als zwei Ereignisse mglich.
f(k
1
, k
2
, k
3
, n) =
_
n
k
1
k
2
k
3
_
p
k
1
1
p
k
2
2
p
k
3
3
=
n!
k
1
!k
2
!k
3
!
p
k
1
1
p
k
2
2
p
k
3
3
Beispiel:
Es werden 10 Paarungen zwischen heterozygoten Tieren (Aa) durchgefhrt. Wie gro ist
die Wahrscheinlichkeit, dass von den 10 Nachkommen genau 2 den Genotyp AA, 5 den
Genotyp Aa und 3 den Genotyp aa aufweisen?
N = 10
k
1
= 2 AA
k
2
= 5 Aa
k
3
= 3 aa
Die p
1
, p
2
und p
3
sind die erwarteten Wahrscheinlichkeiten fr AA, Aa, und aa bei der
Anpaarung von Aa Aa, also 0.25 AA, 0.5 Aa und 0.25 aa.
Statistik Mathematik und Statistik WS 2010/2011
Kapitel 4
Kontinuierliche Wahrschein-
lichkeitsverteilung
4.1 Kontinuierliche Wahrscheinlichkeitsverteilung
Die bisherigen Zufallsvariablen hatten alle eine diskrete (diskontinuierliche) Verteilung.
Die Anzahl weiblicher Tiere bei ET war 0, 1, 2, oder 3; nicht aber 1.23 oder 2.41.
Der Wertebereich hier ist N, die Menge der natrlichen Zahlen. Die Mehrzahl aller
wichtigen Zufallsvariablen kann aber alle mglichen reellen Zahlen in einem bes-
timmten Bereich einnehmen. Sie heien kontinuierliche Variablen. Beispiele sind:
Erntemengen
Milchmenge
Gewichte
Zunahmen
Futterverwertungen, etc.
Die wichtigste kontinuierliche Verteilung ist die Normalverteilung.
Denition: Standardnormalverteilung
Mit Standardnormalverteilung bezeichnet man eine Normalverteilung mit dem Mittelw-
ert = 0 und der Varianz = 1. Wie in Abbildung 4.1 zu sehen.
Eigenschaften der Standardnormalverteilung sind
Eingipig
Symmetrisch
Glockenfrmig
Wertebereich von + bis
Vollstndig bestimmt durch Mittelwert und Standardabweichung
Mehr als 99% aller Werte liegen zwischen -3 und +3
23
24 KAPITEL 4. KONTINUIERLICHE WAHRSCHEINLICHKEITSVERTEILUNG
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
-3 -2 -1 0 1 2 3
f
(
x
)
x
Normalverteilung - = 0 = 1

f(x)
Abbildung 4.1: Standardnormalverteilung
4.1.1 Wahrscheinlichkeitsfunktion (Kurvengleichung)
f(x) =
1

2
e

x
2
2
Wahrscheinlichkeitsfunktion
Bei kontinuierlichen Verteilungen bezeichnet man die Wahrscheinlichkeitsfunktion
oft auch als Dichte der Verteilung. Die Verteilungsfunktion ist, wie wir bereits
wissen, das Integral der Wahrscheinlichkeitsfunktion im Bereich von bis zum
Wert z.
F(z) = Pr(Z z) =
_
z

f(x) dx
Leider lsst sich dieses Integral nicht in geschlossener Form darstellen, d.h. es ex-
istiert leider keine Formel, die direkt den Wert fr F(z) liefert. Aus diesem Grund
sind die Flchen unter der Kurve fr die Standardnormalverteilung tabelliert (siehe
Anhangstabelle B.1).
Wir haben gesehen, dass die Wahrscheinlichkeit F(z) = Pr(Z z) ist. Die Frage
die sich nun stellt ist, wie hoch ist die Wahrscheinlichkeit Pr(Z z)? Es gilt generell
fr eine kontinuierliche Verteilungsfunktion: Pr(Z < z) = Pr(Z z). Dies rhrt
daher, dass die Wahrscheinlichkeit, dass Z exakt den Wert z annimmt, gleich Null
ist, wie folgende berlegung zeigt.
Die Wahrscheinlichkeit, dass eine Realisierung von Z im Intervall [a, b] liegt ist:
Pr(a z b) = F(b) F(a)
In der Statistik bentigt man stndig bestimmte Flchenanteile unter der Stan-
dardnormalkurve (sog. Quantile). Diese kann man aus der Tabelle im Anhang
entnehmen. Die Tabelle enthlt die Werte der Verteilungsfunktion, also das Integral
Statistik Mathematik und Statistik WS 2010/2011
4.2. STANDARDISIERUNG BELIEBIGER NORMALVERTEILUNGEN 25
von bis Pr(von x bis
-1.000 1.000 0.682
-1.645 1.645 0.900
-1.960 1.960 0.950
-2.000 2.000 0.954
-2.600 2.600 0.990
-3.000 3.000 0.997
Tabelle 4.1: Flchenanteile fr einige Bereiche der Standardnormalverteilung
von bis zum gesuchten Abzissenwert. Fr z = 1.28 liefert die Tabelle z.B. den
Wert 0.900, d.h. dass eine Realisierung einer standardnormalverteilten Zufallsvari-
ablen mit 90%-iger Wahrscheinlichkeit kleiner als 1.28 ist.
Wir erinnern uns, dass die Wahrscheinlichkeiten die relativen Hugkeiten von bes-
timmten Werten im Stichprobenraum angeben
1
. Man argumentiert deshalb auch
oft in der Form "90% aller Werte im Stichprobenraum sind kleiner als 1.28", was
identisch mit der Aussage "die Wahrscheinlichkeit, dass eine Realisierung z der Zu-
fallsvariablen Z kleiner ist als 1.28 betrgt 0.9 bzw. 90%".
Oftmals werden auch Flchen zwischen zwei Grenzen bentigt. So interessiert man
sich zum Beispiel dafr, wie hoch die Wahrscheinlichkeit ist, dass ein Wert in den
Intervall [-1,1] fllt. Oensichtlich handelt es sich dabei um die Wahrscheinlichkeit
Pr(1 x 1) = Pr(x 1) Pr(x 1) = F(1) F(1)
Die Tabelle liefert hierfr die Werte 0.841 0.159 = 0.682. Es ist also mit einer
Wahrscheinlichkeit von 68.2% zu erwarten, dass eine Realisierung der Zufallsvari-
ablen im Intervall [-1,1] liegt. Einige weitere interessante Intervalle gibt die Tabelle
4.1.
Aufgrund der symmetrischen Natur der Normalverteilung werden die Werte fr
negative z nicht tabelliert. Es gilt die einfache Beziehung
F(z) = 1 F(z)
4.2 Standardisierung beliebiger Normalverteilun-
gen
So ntzlich die Standardnormalverteilung auch ist, praktische Merkmale sind sel-
ten so verteilt, dass der Mittelwert = 0 und die Standardabweichung = 1 ist
(N(0, 1)). Eine Tabellierung fr andere Normalverteilungen als N(0, 1) wre ein
mhsames Unterfangen. Glcklicherweise kann man jede normalverteilte Variable
in eine Standardvariable transformieren. Das wollen wir uns anhand eines Beispiels
klarmachen.
1
siehe Abschnitt ??
Statistik Mathematik und Statistik WS 2010/2011
26 KAPITEL 4. KONTINUIERLICHE WAHRSCHEINLICHKEITSVERTEILUNG
Beispiel:
Nehmen wir an, die niederschsischen Herdbuchkhe htten eine mittlere Leistung
von 6000 kg und eine Standardabweichung von 1000 kg (N(6000, 1000)). Mit welcher
Wahrscheinlichkeit hat eine zufllig gezogene/ausgewhlte Kuh dann eine Leistung von
mehr als 8000 kg?
Der Anteil der Khe mit einer Leistung ber 8000 kg ist gleich 1 minus dem Anteil der
Khe mit weniger als 8000 kg, also
Pr(X > 8000) = 1 Pr(X 8000)
Wir fhren bei dieser Gelegenheit eine neue Schreibweise ein, die der Klarheit beim
argumentieren mit verschiedenen Wahrscheinlichkeits- oder Verteilungsfunktionen
dient. Um klar zu machen, dass sich der Wert auf eine Verteilung mit den Parame-
tern = 6000, = 1000 bezieht schreibt man
Pr(X 8000|6000, 1000)
sprich "Wahrscheinlichkeit X kleiner als 8000, gegeben gleich 6000 und gle-
ich 1000". Der Wert 8000 liegt 2000 kg ber dem Mittelwert . In Einheiten der
Standardabweichung erhlt man
2000
1000
= 2 ,
also liegt der Grenzwert genau zwei Standardabweichungen ber dem Mittelwert.
Nun gilt aber ganz allgemein:
Eine Normalverteilung ist durch ihren Mittelwert und
ihre Standardabweichung vollstndig bestimmt. Das be-
deutet, dass bei jeder Normalverteilung die Flche unter
der Kurve zwischen und 1 (2, 3 usw.) gleich ist.
Daher muss man nun lediglich in der Normalverteilungstabelle nachsehen, wie hoch
die Wahrscheinlichkeit ist, dass ein Wert aus der Standardnormalverteilung weniger
als zwei Standardabweichungen ber dem Mittel liegt. Aus der Tabelle liest man
einen Wert von 0.997 ab. Unsere gesuchte Wahrscheinlichkeit ist also
Pr(X > 8000|6000, 1000) = 1 0.977 = 0.023
In Worten: Die Wahrscheinlichkeit, dass eine zufllig aus der niederschsischen
Herdbuchkuhpopulation ausgewhlte Kuh eine Leistung ber 8000 kg aufweist, be-
trgt nur 2.3%.
Was haben wir gemacht? Wir haben im mathematischen Sinne eine Transforma-
tion unserer Zufallsvariablen X in eine Standardvariable Z vorgenommen. Hierzu
wurde zunchst der Mittelwert von X von x abgezogen und anschlieend durch die
Standardabweichung von X dividiert.
Z =
X
X

X
Statistik Mathematik und Statistik WS 2010/2011
4.3. DAS SCHTZEN VON MITTELWERTEN 27
Gre X Frequenz p(x) x p(x) (x )
2
p(x)
165 1 0.01 1.65 2.25
170 6 0.06 10.20 6.00
175 24 0.24 42.00 6.00
180 38 0.38 68.40 0.00
185 24 0.24 44.40 6.00
190 6 0.06 11.40 6.00
195 1 0.01 1.95 2.25
N = 100 1.00 = 180.00
2
= 28.50
= 5.34
Tabelle 4.2: Verteilung des diskreten Merkmals
(Diskretisiertes Merkmal: Die Gre X ist die Krpergre der Studenten in cm)
Dieser Vorgang wird als z-Transformation oder auch oft als Standardisierung
bezeichnet. Man kann dies auch in Form der Verteilungsfunktion darstellen:
F(z|0, 1) = F
_
x

|,
_
4.3 Das Schtzen von Mittelwerten
4.3.1 Die Grundgesamtheit
Wie wir bereits aus Abschnitt 4.3.1 wissen, ist die Grundgesamtheit die Gruppe
von Objekten, aus denen die Stichprobe gezogen wird. Wir beginnen mit einer
handlichen Grundgesamtheit, der Krpergre von 100 Studenten, die in einem
bestimmten Semester das Landwirtschaftsstudium aufgenommen haben. Der Ein-
fachheit halber wurde das kontinuierliche Merkmal der Krpergre in ein diskretes
Merkmal verwandelt, das die Verteilung wie in Tabelle 4.2 aufweist.
Beispiel:
Wenn man einen Studenten zufllig aus der Population herauszieht, wie hoch ist die
Wahrscheinlichkeit, dass er 1.75 m gro ist?
Oensichtlich betrgt diese Wahrscheinlichkeit 24%. Die Wahrscheinlichkeit das dieser
zufllig ausgewhlte Student 190 cm gro ist betrgt laut Tabelle 6%.
Fr eine einzelne Beobachtung ist die Wahrscheinlichkeit eines bestimmten Wertes
gleich der Hugkeit dieses Wertes in der Grundgesamtheit. Wenn wir den Stu-
denten wieder zurcklegen und ein weiteres Mal ziehen, dann gelten fr die neue
Beobachtung dieselben Wahrscheinlichkeiten. Dies ist eine wichtige Erkenntnis.
Denition: einzelne Beobachtungen
Jede einzelne Beobachtung in einer Stichprobe besitzt die Wahrscheinlichkeitsverteilung
der Grundgesamtheit. Mit anderen Worten: Das Populationsmittel () und die Popula-
tionsvarianz
a
(
2
) sind die Parameter von einzelnen Beobachtungen.
a
xxxxxxxxxxxxxxx
Statistik Mathematik und Statistik WS 2010/2011
28 KAPITEL 4. KONTINUIERLICHE WAHRSCHEINLICHKEITSVERTEILUNG
4.3.2 Die Stichprobe und ihre Parameter
Wir ziehen aus der oben beschriebenen Grundgesamtheit eine Stichprobe der Gre
n = 5. Dabei erhlt man folgende Werte:
Beobachtung Wert
1 170
2 195
3 175
4 180
5 170
Uns interessiert zunchst der Mittelwert der Stichprobe. Bisher haben wir nur Pop-
ulationsmittelwerte berechnet, aber die Berechnung des Stichprobenmittelwerts er-
fordert keine neuen Prinzipien. Da Stichproben in der Regel relativ klein sind, macht
man sich nicht die Mhe die Hugkeitsverteilung zu berechnen. Vielmehr summiert
man einfach alle Beobachtungen auf und dividiert durch die Anzahl der Beobach-
tungen n. Bei dieser Vorgehensweise erhlt jede Beobachtung das gleiche Gewicht,
da man ja a priori die Parameter der Population nicht kennt und daher nicht wei,
dass z.B. der Wert 180 sehr viel wahrscheinlicher ist als der Wert 195. Somit erhlt
man fr das Stichprobenmittel
x = (170 + 195 + 175 + 180 + 170)/5 = 178
Allgemein formuliert
Denition: Stichprobenmittelwert
x =
(x
1
+x
2
+.... +x
n
)
n
=

n
i=1
x
i
x
Um auch in Formeln immer eindeutig zwischen dem Populationsmittel und dem
Stichprobenmittel unterscheiden zu knnen, verwenden wir fr das Stichprobenmit-
tel die Bezeichnung x. Durch das zufllige Ziehen der Stichprobe ist es wahrschein-
lich, dass die Zufallsstichprobe ZS fr die zugrundeliegende Grundgesamtheit reprsen-
tativ ist. Wir beobachten, dass der Stichprobenmittelwert nicht sehr weit vom
wahren Mittel entfernt liegt. Der eine sehr groe Wert (195), der in unserer Stich-
probe enthalten ist, wird durch mehrere mittlere bis kleine Werte wieder aus-
geglichen. Man erwartet, dass dies in der Mehrzahl der Flle so sein wird.
Aufgrund der Durchschnittsbildung hat das Stichproben-
mittel x einen weniger extremen Wert (er variiert weniger)
als die einzelnen Beobachtungen.
Statistik Mathematik und Statistik WS 2010/2011
4.3. DAS SCHTZEN VON MITTELWERTEN 29
Denition: Stichprobenvarianz und Standardfehler des Stichprobenmittels
Die Stichprobenvarianz s
2
ist deniert als
s
2
=
1
(n 1)
n

i=0
(x
i
x)
2
Der Standardfehler des Stichprobenmittels ist gegeben durch
SE =

n
Die Standardabweichung des Stichprobenmittelwertes wir gemeinhin als Standardfehler
(engl. standard error, SE) bezeichnet und gibt an, wie stark die einzelnen Stichproben-
mittelwerte um ihren Erwartungswert (das Populationsmittel) schwanken. Weiter ist zu
beachten, das in der Formel zur Berechnung des SE die Populationsvarianz auftaucht,
welche streng genommen zur Berechnung des Standardfehlers bekannt sein muss.
Die letzte Formel gibt auch Aufschluss ber die Bedeutung der Stichprobengre
fr die Gte einer Stichprobe. Je grer die Stichprobe wird, umso geringer werden
die Abweichungen der beobachteten Stichprobenmittelwerte x vom Pupulations-
mittelwert , d.h. desto geringer wird die Wahrscheinlichkeit ein Stichprobenmittel
zu erhalten, dass vllig daneben liegt. Um diese Wahrscheinlichkeit zu kennen,
mssen wir aber die Form der Wahrscheinlichkeitsverteilung der Stichprobenmittel-
werte (uniform, binominal, normal) kennen.
Denition: Zufallsstichproben
In Zufallsstichproben der Gre n streuen die Stichprobenmittelwerte x um das wahre
Populationsmittel mit einem Standardfehler von

n
, wobei die Standardabweichung
der Grundgesamtheit ist. Je grer n wird, desto mehr konzentrieren sich die Stichproben-
mittelwerte um das Populationsmittel. Dabei nhert sich die Verteilung der Stichproben-
mittelwerte immer mehr eine Normalverteilung ein.
Zur Verdeutlichung betrachen wir folgendes Beispiel:
Statistik Mathematik und Statistik WS 2010/2011
30 KAPITEL 4. KONTINUIERLICHE WAHRSCHEINLICHKEITSVERTEILUNG
Beispiel:
Die Wahrscheinlichkeit, dass ein zufllig aus der Grundgesamtheit von 100 Studenten
gezogener Student grer als 185 cm ist, betrgt 0.07, wie in Tabelle 4.2 abzulesen. Wie
gro ist dagegen die Wahrscheinlichkeit, dass der Mittelwert einer ZS mit der Gre
n = 9 grer als 185 cm ist?
Die Verteilung der Grundgesamtheit ist eine angenherte Normalverteilung (symmer-
trisch, eingipig, wenn auch diskret). Bei einer Stichprobengre von 9 knnen wir er-
warten, dass die Stichprobenmittel tatschlich normalverteilt sind. Der Erwartungswert
ist das Populationsmittel = 180. Die Populationsstandardabweichung ist gleich 5.34.
Der Standardfehler ist demnach
SE =
5.34

9
= 1.78
Gesucht ist die Wahrscheinlichkeit Pr( x > 185) = 1 Pr( x < 185). Zur Bestimmung
dieser Wahrscheinlichkeit mssen wir eine z-Transformation durchfhren und erhalten:
z =
x
SE
=
185 180
1.78
= 2.808
Die Normalverteilungstabelle liefert uns fr z = 2.81 einen Wert von 0.998. Damit ergibt
sich eine Wahrscheinlichkeit von 0.02 fr einen Stichprobenmittelwert grer als 185 cm.
Nur einer von 500 Stichprobenmittelwerten wird also ber 185 cm liegen.
Statistik Mathematik und Statistik WS 2010/2011
Kapitel 5
Regression
Ziel dieses Kapitels ist die Untersuchung der Beziehung zweier Variablen x und y.
Die notwendigen Parameter zur Berechnung der Regression werden dafr beschrieben
und erklrt.
5.1 Kovarianz
Wie bereits aus Abschnitt 2.2 bekannt ist, lsst sich die Beziehung zwischen zwei
Zufallsvariablen durch die Kovarianz
x,y
spezizieren.

x,y
=

x,y
x y p(x)
x

y
Fr die Ableitung der Kovarianz aus der Stichprobe, geht man analog zur Berech-
nung der Stichprobenvarianz vor. Man kennt die gemeinsame Verteilung der beiden
Variablen nicht, deshalb gibt man jeder Beobachtung dasselbe Gewicht und berech-
net die Kovarianz als Summe der Produkte der Abweichungen der beiden Variablen
von ihren Mittelwerten.
s
x,y
=
1
(n 1)
n

i=1
= (x
i
x)(y
i
y)
Man beachte dabei die Analogie zur Berechnung der Stichprobenvarianz. Wir hatten
bereits in Kapitel 2 festgestellt, dass die Varianz ein Sonderfall der Kovarianz ist.
Auch fr die Kovarianz gilt, dass bei der Berechnung ein Freiheitsgrad verloren geht.
Daher wird durch (n1) dividiert. Die Summe der Produkte der Abweichungen wird
auch kurz als Summenprodukt SP
x,y
bezeichnet. Deshalb knnen wir schreiben:
s
x,y
=
SP
x,y
n 1
Fr die Berechnung des Summenprodukts kann man die vereinfachte Formel an-
wenden, die die Berechnung der Mittelwerte vermeidet.
SP
x,y
=
n

i=0
x
i
y
i

i
x
i

i
y
i
n
31
32 KAPITEL 5. REGRESSION
5.2 Korrelation
Korrelationsformeln einsetzten - Schreibweise abklren!
5.3 Die Regression von y auf x
9
10
11
12
13
14
15
16
100 105 110 115 120 125 130
S
p
e
c
k
d
i
c
k
e
Gewicht
Regressionsbeispiel
a =-2.97315
b =0.130201
beobachtete Werte
linerare Regression
Abbildung 5.1: Beobachtung von Gewicht und Rckenspeckdicke bei Auktionsebern.
Es gilt nun eine lineare Beziehung zwischen dem Merkmal Gewicht und Rcken-
speckdicke zu schtzen. Bei der linearen Regression geschieht sowas mithilfe der
Regressionsgeraden, die in allgemeiner Form wie folgt aussieht:
y = b x +a
( y ist dabei der geschtzte Wert der Variablen y, a der Ordinatenschnittpunkt der Geraden,
also der Wert von y, wenn x = 0 - auch y-Achsenabschnitt genannt, b ist die Steigung der
Geraden
1
und x der beobachtete Wert der Variablen x)
Will man den Abstand der Punkte zur Regressionsgeraden minimieren, verbietet
sich die einfache Summe der Abweichungen der tatschlichen und der geschtzten
Werte d = y y. Der Grund dafr ist, dass sich positive und negative Abweichungen
ausgleichen knnen. Um dies zu vermeiden, kann man den mittleren Betrag der
Abweichungen |d| oder die mittlere quadrierte Abweichung verwenden. Traditionell
verwendet man letztere, was als Methode der kleinsten Quadrate
2
bekannt ist. Die
Bedingung fr die optimale Regressionsgerade lautet also

i
d
2
i
=

i
(y
i
y)
2
1
quivalent zum Regressionskoezienten
2
auch mittlere quadratische Fehler
Statistik Mathematik und Statistik WS 2010/2011
5.3. DIE REGRESSION VON Y AUF X 33
Die Minimierung dieses Ausdrucks erfordert, dass wir das Maximum der ersten
Ableitung dieses Ausdrucks nden. Hierzu formulieren wir zunchst die Regression-
sgerade in einer anderen Form:
y = a +bx b x +b x = a +b x
. .
a

+b(x x)
Die zu minimierende Gre ergibt sich somit als
min

i
[y (a

+b(x x))]
2
Die Funktion hngt von a

und b ab, folglich mssen wir die beiden partiellen

Ableitungen Null setzen, um das Minimum zu nden. Wir beginnen mit der par-
tiellen Ableitung nach a

d
2
=

i
2(y a

b(x x))
1
(1) = 0 =

i
(y a

b(x x) = 0
Die Summe (x x) ist bekanntlich Null und daher erhlt man den einfachen Aus-
druck

y = na

und daraus wiederum

a

= y
Resubstituiert man wieder fr a

, so ergibt sich folgende Beziehung

a = y b x
Fr die partielle Ableitung nach dem Parameter b setzen wir den gefundenen Wert
fr a

= y in die zu minimierende Funktion ein. Dabei ergibt sich folgendes

i
d
2
i
=

2(y y b(x x))
1
((x x)) = 0

(y y) (x x) b

(x x)
2
= 0
Man erhlt die Lsung
b =

(y y)(x x)

(x x)
2
=
SP
xy
SQ
x
Dividiert man Zhler und Nenner durch die FG, so erhlt man die Lsung in Form
von Varianzen und Kovarianzen
b =
s
x,y
s
2
x
Aufgrund unserer Kenntnisse ber den Parameter a knnen wir die Regressionsger-
ade in einer etwas anderen, aber ebenfalls hug gebrauchten Form schreiben:
y = y +b (x x)
Statistik Mathematik und Statistik WS 2010/2011
34 KAPITEL 5. REGRESSION
Hieraus folgt unmittelbar die Form eines linearen Modells, in dem die Beobach-
tung ausschlielich durch den Wert von x bestimmt wird:
y
i
= y +b(x
i
x) +e
i
Der Regressionskoezient gibt an, um wieviel Einheiten
sich y ndert, wenn x sich um eine Einheit ndert.
Zu beachten ist, dass diese Beziehung nicht umgekehrt gilt! Aus diesem Grund
bezeichnet man den so ermittelten Regressionskoezienten auch als b
y,x
, gelesen
als Regression von y auf x y ist in diesem Fall die abhngige Variable und x die
unabhngige Variable. y ist also eine Funktion von x. Aus der Form der Regression-
sgleichung wird weiterhin ersichtlich, dass die Regressionsgerade immer durch den
Punkt ( x, y) verluft. Es muss also nur ein weiterer Punkt auf der Geraden bekannt
sein, um die Regressionsgerade eindeutig zu bestimmen. Aus diesem Grund ver-
braucht das lineare Modell der Regression nur einen Freiheitsgrad.
Beispiel:
Ein Beispiel mag die Berechnungsweise verdeutlichen. Das Zahlenmaterial in der Abbil-
dung besteht aus den folgenden Werten:
Gewicht (x) Speck (y) (x x)
2
(y y)
2
(x x)(y y)
105 10.4 100 2.56 16.0
108 11.5 49 0.25 3.5
115 12.2 0 0.04 0.0
122 11.9 49 0.01 -0.7
125 14.0 100 4.00 20.0

575 60.0 298 6.86 33.8

SP
xy
=

i
(x
i
x)(y
i
y) = 33.8 kg mm
SQ
x
=

i
(x
i
x)
2
= 298 kg
2
SQ
y
=

i
(y
i
y)
2
= 6.86 mm
2
Der Regressionskoezient ist
b
y,x
=
SP
xy
SQ
x
=
33.80
298
= 0.13
mm
kg
Der Y-Achsenabschnitt a ist
a = 12.0 0.13 115 = 2.95 mm
Diese Werte, abgesehen von Rundungsfehlern, erhalten wir auch durch die lineare Re-
gression am Computer (siehe Abbildung 5.1). Die Regressionsgerade hat also die Form:
y = 2.95 + 0.13 x = 12 + 0.13 (x 115)
Statistik Mathematik und Statistik WS 2010/2011
5.3. DIE REGRESSION VON Y AUF X 35
Obwohl wir oben erwhnt haben, dass es nicht zulssig ist, den Regressionskoef-
zienten b
y,x
zur Schtzung von x bei gegebenen y zu verwenden, ist die Regression
natrlich keine Einbahnstrae. Man muss in dem Fall nur die Regressionsgerade
neu berechnen. Hier wird x mit y vertauscht und folglich ergibt sich als Regression-
skoezient:
b
x,y
=
SP
xy
SQ
y
In diesem Fall steht also das Summenquadrat von y SQ
y
im Nenner und fr unser
Beispiel ergibt sich:
b
x,y
=
38.8
6.86
= 5.66
kg
mm
und die Regressionsgerade nimmt die Form
x = 115 + 5.66 (y 12.0)
an. Wenn sich die Rckenspeckdicke um einen Millimeter erhht, steigt das Gewicht
um 5.66 kg.
Merkregel: Bei der Regression von y auf x steht SQ
x
un-
ten. Bei der Regression von x auf y steht das SQ
y
unten.
Die beiden Regressionsgleichungen sind also nicht identisch. Die einzige Gemein-
samkeit ist, dass beide durch den Punkt ( x, y) gehen.
5.3.1 Korrektur mittels Regression
Wir kommen nun zurck zum eigentlichen Ziel unserer Analyse, nmlich den Ver-
gleich der Speckdicke der Auktionseber unbeeinusst von Unterschieden im Gewicht
zu ermglichen. Hierzu werden die Speckdicken mithilfe der Regression auf ein ein-
heitliches Gewicht korrigiert. Das Regressionsmodell lautet:
y
i
= y +b (x
i
x) +e
i
Die Korrektur erfolgt, indem wir von jeder Beobachtung den durch die Regression
erklrten Teil subtrahieren:
y

i
= y
i
b (x
i
x) = y
i
+e
i
Aus dieser Gleichung wird ersichtlich, wie die Korrektur wirkt. berdurchschnit-
tlich schwere Schweine haben eine positive Abweichung (x
i
x). Bei ihnen erfolgt
eine Verminderung der gemessenen Speckdicke. Leichte Schweine erhalten dagegen
einen Zuschlag zur gemessenen Speckdicke. Bei negativen Regressionskoezienten
wirkt die Korrektur in umgekehrter Weise. In unserem Fall wurde auf das mit-
tlere Gewicht korrigiert. Dies ist jedoch nicht unbedingt notwendig. Man kann auch
auf ein willkrlich festgelegtes Standardgewicht korrigieren, solange es im Bereich
der Gewichte liegt, an denen die Regression geschtzt wurde. In diesem Fall wird
anstelle des Mittelwerts x das Standardgewicht in die Korrekturformel eingesetzt.
Statistik Mathematik und Statistik WS 2010/2011
36 KAPITEL 5. REGRESSION
Statistik Mathematik und Statistik WS 2010/2011
Anhang A
Varianz und Kovarianz
linearer Funktionen
Allgemeine Regel
(a) Zur Berechnung einer Varianz einer Funktion bilde das Quadrat, und zur
Berechnung der Kovarianz zwischen diesen Funktionen bilde das Produkt bei-
der Funktionen.
(b) Ersetze anschlieend Quadrate von Variablen durch die Varianz der Variablen
und Produkte von Variablen durch die Kovarianz zwischen beiden Variablen
und ziehe Konstanten als Multiplikatoren vor.
Beispiel:
E sei der Erwartungswert einer Funktion, b
i
und c
i
seien die Konstanten und z
i
seien die
Variablen
1. Varianz der Funktion x
X = b
1
z
1
E(x
2
) = b
2
1
z
2
1

2
x
= b
2
1

2
z
1
2. Varianz der Funktion y
y = c
1
z
1
+c
2
z
2
E(y
2
) = c
2
1
z
2
1
+ 2c
1
c
2
z
1
z
2
+c
2
2
z
2
2

2
y
= c
2
1

2
z
1
+ 2c
1
c
2

z
1
z
2
+c
2
2

2
z
2
3. Kovarianz zwischen den Funktionen x und y
E(xy) = b
1
c
1
z
2
1
+b
1
c
2
z
1
z
2

xy
= b
1
c
1

2
z
1
+b
1
c
2

z
1
z
2
37
38 ANHANG A. VARIANZ UND KOVARIANZ LINEARER FUNKTIONEN
Statistik Mathematik und Statistik WS 2010/2011
Anhang B
Tabellen und Dateien
B.1 Standardnormalverteilung Tabelle
In der Tabelle B.1 sind die Flcheninhalte unter dem Graphen der Standardnor-
malverteilung zu nden, wie sie unter anderem in Abschnitt 4.1.1 verwendet wer-
den.
Der Umgang mit der Tabelle Aus der Tabelle B.1 lsst sich die Wahrschein-
lichkeit F(z) fr die Standardnormalverteilung, also der Flcheninhalt unter dem
Graphen der Standardnormalverteilung, ablesen. In der Tabelle sind nur positive
Werte fr z angegeben, da aufgrund der Symmetrie, wie bereits in Abschnitt 4.1.1
erwhnt die Beziehung F(z) = 1 F(z) gilt. In der Tabelle sind in der linken
Randzeile die Werte fr z bis auf die erste Nachkommastelle angegeben. Das Sternchen
* ist ein Platzhalter fr die zweite Nachkommastelle, die in der jeweiligen Spal-
tenberschrift/Kopfzeile angegeben ist. Dort wo sich die zugehrige Zeile mit der
Spalte kreuzt, steht die Wahrscheinlichkeit fr F(z). Falls z die Grenze von 4.09
berschreitet, gilt
F(z) 1, fr z > 4.09
Es ist Vorsicht geboten, falls die Wahrscheinlichkeit vorgegeben und das zugehrige
z gesucht ist. Dabei muss der zugehrige Wert fr F(z) angesehen werden, der den
geringsten Abstand zur vorgegebenen Wahrscheinlichkeit hat. Anschlieend wird z
dann aus der Zeile und der Spalte dieses Wertes zusammengesetzt.
Beispiel:
Wre beispielsweise eine Wahrscheinlichkeit F(z) = 0.90670 gegeben, so liest man in der
Tabelle den Wert 0.90658 ab, der einem z = 1.32 entspricht. Man whlt diesen Wert
fr die Wahrscheinlichkeit, da er viel nher an dem vorgegebenen Wert liegt, als der
nchstmgliche Wert 0.90824, was ein z = 1.33 ergbe.
39
40 ANHANG B. TABELLEN UND DATEIEN
z
/
*
0
1
2
3
4
5
6
7
8
9
0
.
0
*
0
.
5
0
0
0
0
0
.
5
0
3
9
9
0
.
5
0
7
9
8
0
.
5
1
1
9
7
0
.
5
1
5
9
5
0
.
5
1
9
9
4
0
.
5
2
3
9
2
0
.
5
2
7
9
0
0
.
5
3
1
8
8
0
.
5
3
5
8
6
0
.
1
*
0
.
5
3
9
8
3
0
.
5
4
3
8
0
0
.
5
4
7
7
6
0
.
5
5
1
7
2
0
.
5
5
5
6
7
0
.
5
5
9
6
2
0
.
5
6
3
5
6
0
.
5
6
7
4
9
0
.
5
7
1
4
2
0
.
5
7
5
3
5
0
.
2
*
0
.
5
7
9
2
6
0
.
5
8
3
1
7
0
.
5
8
7
0
6
0
.
5
9
0
9
5
0
.
5
9
4
8
3
0
.
5
9
8
7
1
0
.
6
0
2
5
7
0
.
6
0
6
4
2
0
.
6
1
0
2
6
0
.
6
1
4
0
9
0
.
3
*
0
.
6
1
7
9
1
0
.
6
2
1
7
2
0
.
6
2
5
5
2
0
.
6
2
9
3
0
0
.
6
3
3
0
7
0
.
6
3
6
8
3
0
.
6
4
0
5
8
0
.
6
4
4
3
1
0
.
6
4
8
0
3
0
.
6
5
1
7
3
0
.
4
*
0
.
6
5
5
4
2
0
.
6
5
9
1
0
0
.
6
6
2
7
6
0
.
6
6
6
4
0
0
.
6
7
0
0
3
0
.
6
7
3
6
4
0
.
6
7
7
2
4
0
.
6
8
0
8
2
0
.
6
8
4
3
9
0
.
6
8
7
9
3
0
.
5
*
0
.
6
9
1
4
6
0
.
6
9
4
9
7
0
.
6
9
8
4
7
0
.
7
0
1
9
4
0
.
7
0
5
4
0
0
.
7
0
8
8
4
0
.
7
1
2
2
6
0
.
7
1
5
6
6
0
.
7
1
9
0
4
0
.
7
2
2
4
0
0
.
6
*
0
.
7
2
5
7
5
0
.
7
2
9
0
7
0
.
7
3
2
3
7
0
.
7
3
5
6
5
0
.
7
3
8
9
1
0
.
7
4
2
1
5
0
.
7
4
5
3
7
0
.
7
4
8
5
7
0
.
7
5
1
7
5
0
.
7
5
4
9
0
0
.
7
*
0
.
7
5
8
0
4
0
.
7
6
1
1
5
0
.
7
6
4
2
4
0
.
7
6
7
3
0
0
.
7
7
0
3
5
0
.
7
7
3
3
7
0
.
7
7
6
3
7
0
.
7
7
9
3
5
0
.
7
8
2
3
0
0
.
7
8
5
2
4
0
.
8
*
0
.
7
8
8
1
4
0
.
7
9
1
0
3
0
.
7
9
3
8
9
0
.
7
9
6
7
3
0
.
7
9
9
5
5
0
.
8
0
2
3
4
0
.
8
0
5
1
1
0
.
8
0
7
8
5
0
.
8
1
0
5
7
0
.
8
1
3
2
7
0
.
9
*
0
.
8
1
5
9
4
0
.
8
1
8
5
9
0
.
8
2
1
2
1
0
.
8
2
3
8
1
0
.
8
2
6
3
9
0
.
8
2
8
9
4
0
.
8
3
1
4
7
0
.
8
3
3
9
8
0
.
8
3
6
4
6
0
.
8
3
8
9
1
1
.
0
*
0
.
8
4
1
3
4
0
.
8
4
3
7
5
0
.
8
4
6
1
4
0
.
8
4
8
4
9
0
.
8
5
0
8
3
0
.
8
5
3
1
4
0
.
8
5
5
4
3
0
.
8
5
7
6
9
0
.
8
5
9
9
3
0
.
8
6
2
1
4
1
.
1
*
0
.
8
6
4
3
3
0
.
8
6
6
5
0
0
.
8
6
8
6
4
0
.
8
7
0
7
6
0
.
8
7
2
8
6
0
.
8
7
4
9
3
0
.
8
7
6
9
8
0
.
8
7
9
0
0
0
.
8
8
1
0
0
0
.
8
8
2
9
8
1
.
2
*
0
.
8
8
4
9
3
0
.
8
8
6
8
6
0
.
8
8
8
7
7
0
.
8
9
0
6
5
0
.
8
9
2
5
1
0
.
8
9
4
3
5
0
.
8
9
6
1
7
0
.
8
9
7
9
6
0
.
8
9
9
7
3
0
.
9
0
1
4
7
1
.
3
*
0
.
9
0
3
2
0
0
.
9
0
4
9
0
0
.
9
0
6
5
8
0
.
9
0
8
2
4
0
.
9
0
9
8
8
0
.
9
1
1
4
9
0
.
9
1
3
0
9
0
.
9
1
4
6
6
0
.
9
1
6
2
1
0
.
9
1
7
7
4
1
.
4
*
0
.
9
1
9
2
4
0
.
9
2
0
7
3
0
.
9
2
2
2
0
0
.
9
2
3
6
4
0
.
9
2
5
0
7
0
.
9
2
6
4
7
0
.
9
2
7
8
5
0
.
9
2
9
2
2
0
.
9
3
0
5
6
0
.
9
3
1
8
9
1
.
5
*
0
.
9
3
3
1
9
0
.
9
3
4
4
8
0
.
9
3
5
7
4
0
.
9
3
6
9
9
0
.
9
3
8
2
2
0
.
9
3
9
4
3
0
.
9
4
0
6
2
0
.
9
4
1
7
9
0
.
9
4
2
9
5
0
.
9
4
4
0
8
1
.
6
*
0
.
9
4
5
2
0
0
.
9
4
6
3
0
0
.
9
4
7
3
8
0
.
9
4
8
4
5
0
.
9
4
9
5
0
0
.
9
5
0
5
3
0
.
9
5
1
5
4
0
.
9
5
2
5
4
0
.
9
5
3
5
2
0
.
9
5
4
4
9
1
.
7
*
0
.
9
5
5
4
3
0
.
9
5
6
3
7
0
.
9
5
7
2
8
0
.
9
5
8
1
8
0
.
9
5
9
0
7
0
.
9
5
9
9
4
0
.
9
6
0
8
0
0
.
9
6
1
6
4
0
.
9
6
2
4
6
0
.
9
6
3
2
7
1
.
8
*
0
.
9
6
4
0
7
0
.
9
6
4
8
5
0
.
9
6
5
6
2
0
.
9
6
6
3
8
0
.
9
6
7
1
2
0
.
9
6
7
8
4
0
.
9
6
8
5
6
0
.
9
6
9
2
6
0
.
9
6
9
9
5
0
.
9
7
0
6
2
1
.
9
*
0
.
9
7
1
2
8
0
.
9
7
1
9
3
0
.
9
7
2
5
7
0
.
9
7
3
2
0
0
.
9
7
3
8
1
0
.
9
7
4
4
1
0
.
9
7
5
0
0
0
.
9
7
5
5
8
0
.
9
7
6
1
5
0
.
9
7
6
7
0
2
.
0
*
0
.
9
7
7
2
5
0
.
9
7
7
7
8
0
.
9
7
8
3
1
0
.
9
7
8
8
2
0
.
9
7
9
3
2
0
.
9
7
9
8
2
0
.
9
8
0
3
0
0
.
9
8
0
7
7
0
.
9
8
1
2
4
0
.
9
8
1
6
9
2
.
1
*
0
.
9
8
2
1
4
0
.
9
8
2
5
7
0
.
9
8
3
0
0
0
.
9
8
3
4
1
0
.
9
8
3
8
2
0
.
9
8
4
2
2
0
.
9
8
4
6
1
0
.
9
8
5
0
0
0
.
9
8
5
3
7
0
.
9
8
5
7
4
2
.
2
*
0
.
9
8
6
1
0
0
.
9
8
6
4
5
0
.
9
8
6
7
9
0
.
9
8
7
1
3
0
.
9
8
7
4
5
0
.
9
8
7
7
8
0
.
9
8
8
0
9
0
.
9
8
8
4
0
0
.
9
8
8
7
0
0
.
9
8
8
9
9
2
.
3
*
0
.
9
8
9
2
8
0
.
9
8
9
5
6
0
.
9
8
9
8
3
0
.
9
9
0
1
0
0
.
9
9
0
3
6
0
.
9
9
0
6
1
0
.
9
9
0
8
6
0
.
9
9
1
1
1
0
.
9
9
1
3
4
0
.
9
9
1
5
8
2
.
4
*
0
.
9
9
1
8
0
0
.
9
9
2
0
2
0
.
9
9
2
2
4
0
.
9
9
2
4
5
0
.
9
9
2
6
6
0
.
9
9
2
8
6
0
.
9
9
3
0
5
0
.
9
9
3
2
4
0
.
9
9
3
4
3
0
.
9
9
3
6
1
2
.
5
*
0
.
9
9
3
7
9
0
.
9
9
3
9
6
0
.
9
9
4
1
3
0
.
9
9
4
3
0
0
.
9
9
4
4
6
0
.
9
9
4
6
1
0
.
9
9
4
7
7
0
.
9
9
4
9
2
0
.
9
9
5
0
6
0
.
9
9
5
2
0
2
.
6
*
0
.
9
9
5
3
4
0
.
9
9
5
4
7
0
.
9
9
5
6
0
0
.
9
9
5
7
3
0
.
9
9
5
8
5
0
.
9
9
5
9
8
0
.
9
9
6
0
9
0
.
9
9
6
2
1
0
.
9
9
6
3
2
0
.
9
9
6
4
3
2
.
7
*
0
.
9
9
6
5
3
0
.
9
9
6
6
4
0
.
9
9
6
7
4
0
.
9
9
6
8
3
0
.
9
9
6
9
3
0
.
9
9
7
0
2
0
.
9
9
7
1
1
0
.
9
9
7
2
0
0
.
9
9
7
2
8
0
.
9
9
7
3
6
2
.
8
*
0
.
9
9
7
4
4
0
.
9
9
7
5
2
0
.
9
9
7
6
0
0
.
9
9
7
6
7
0
.
9
9
7
7
4
0
.
9
9
7
8
1
0
.
9
9
7
8
8
0
.
9
9
7
9
5
0
.
9
9
8
0
1
0
.
9
9
8
0
7
2
.
9
*
0
.
9
9
8
1
3
0
.
9
9
8
1
9
0
.
9
9
8
2
5
0
.
9
9
8
3
1
0
.
9
9
8
3
6
0
.
9
9
8
4
1
0
.
9
9
8
4
6
0
.
9
9
8
5
1
0
.
9
9
8
5
6
0
.
9
9
8
6
1
3
.
0
*
0
.
9
9
8
6
5
0
.
9
9
8
6
9
0
.
9
9
8
7
4
0
.
9
9
8
7
8
0
.
9
9
8
8
2
0
.
9
9
8
8
6
0
.
9
9
8
8
9
0
.
9
9
8
9
3
0
.
9
9
8
9
6
0
.
9
9
9
0
0
3
.
1
*
0
.
9
9
9
0
3
0
.
9
9
9
0
6
0
.
9
9
9
1
0
0
.
9
9
9
1
3
0
.
9
9
9
1
6
0
.
9
9
9
1
8
0
.
9
9
9
2
1
0
.
9
9
9
2
4
0
.
9
9
9
2
6
0
.
9
9
9
2
9
3
.
2
*
0
.
9
9
9
3
1
0
.
9
9
9
3
4
0
.
9
9
9
3
6
0
.
9
9
9
3
8
0
.
9
9
9
4
0
0
.
9
9
9
4
2
0
.
9
9
9
4
4
0
.
9
9
9
4
6
0
.
9
9
9
4
8
0
.
9
9
9
5
0
3
.
3
*
0
.
9
9
9
5
2
0
.
9
9
9
5
3
0
.
9
9
9
5
5
0
.
9
9
9
5
7
0
.
9
9
9
5
8
0
.
9
9
9
6
0
0
.
9
9
9
6
1
0
.
9
9
9
6
2
0
.
9
9
9
6
4
0
.
9
9
9
6
5
3
.
4
*
0
.
9
9
9
6
6
0
.
9
9
9
6
8
0
.
9
9
9
6
9
0
.
9
9
9
7
0
0
.
9
9
9
7
1
0
.
9
9
9
7
2
0
.
9
9
9
7
3
0
.
9
9
9
7
4
0
.
9
9
9
7
5
0
.
9
9
9
7
6
3
.
5
*
0
.
9
9
9
7
7
0
.
9
9
9
7
8
0
.
9
9
9
7
8
0
.
9
9
9
7
9
0
.
9
9
9
8
0
0
.
9
9
9
8
1
0
.
9
9
9
8
1
0
.
9
9
9
8
2
0
.
9
9
9
8
3
0
.
9
9
9
8
3
3
.
6
*
0
.
9
9
9
8
4
0
.
9
9
9
8
5
0
.
9
9
9
8
5
0
.
9
9
9
8
6
0
.
9
9
9
8
6
0
.
9
9
9
8
7
0
.
9
9
9
8
7
0
.
9
9
9
8
8
0
.
9
9
9
8
8
0
.
9
9
9
8
9
3
.
7
*
0
.
9
9
9
8
9
0
.
9
9
9
9
0
0
.
9
9
9
9
0
0
.
9
9
9
9
0
0
.
9
9
9
9
1
0
.
9
9
9
9
1
0
.
9
9
9
9
2
0
.
9
9
9
9
2
0
.
9
9
9
9
2
0
.
9
9
9
9
2
3
.
8
*
0
.
9
9
9
9
3
0
.
9
9
9
9
3
0
.
9
9
9
9
3
0
.
9
9
9
9
4
0
.
9
9
9
9
4
0
.
9
9
9
9
4
0
.
9
9
9
9
4
0
.
9
9
9
9
5
0
.
9
9
9
9
5
0
.
9
9
9
9
5
3
.
9
*
0
.
9
9
9
9
5
0
.
9
9
9
9
5
0
.
9
9
9
9
6
0
.
9
9
9
9
6
0
.
9
9
9
9
6
0
.
9
9
9
9
6
0
.
9
9
9
9
6
0
.
9
9
9
9
6
0
.
9
9
9
9
7
0
.
9
9
9
9
7
4
.
0
*
0
.
9
9
9
9
7
0
.
9
9
9
9
7
0
.
9
9
9
9
7
0
.
9
9
9
9
7
0
.
9
9
9
9
7
0
.
9
9
9
9
7
0
.
9
9
9
9
8
0
.
9
9
9
9
8
0
.
9
9
9
9
8
0
.
9
9
9
9
8
T
a
b
e
l
l
e
B
.
1
:
S
t
a
n
d
a
r
d
n
o
r
m
a
l
v
e
r
t
e
i
l
u
n
g
T
a
b
e
l
l
e
Statistik Mathematik und Statistik WS 2010/2011
B.2. DATEIEN 41
B.2 Dateien
B.2.1 Verwendete Plot Datei
Die unten stehende Datei [Link] ist die Plot-Datei zu Abbildung 5.1 in
Abschnitt 5.3. Die Plot Datei lsst sich mithilfe des Plotprogramms gnuplot
1
aus-
fhren. Ein Plotprogramm wie gnuplot fhrt automatisch Regressionen durch und
gibt die entsprechenden Parameter inklusive Fehlerangabe anschlieend aus.
[Link]
1 reset
2
3 set grid
4 set autoscale
5 set key right top
6
7 set terminal epslatex color solid
8 set output "[Link]"
9
10 set title "Regressionsbeispiel"
11
12 f(x)=b*x+a
13 fit f(x) [Link] u 1:2 via a,b
14
15 set label 1 "a =%g", a at 105,14
16 set label 2 "b =%g", b at 105,13.5
17 #siehe [Link]
18
19 set xlabel "Gewicht"
20 set xrange [100:130]
21 set ylabel "Speckdicke"
22 set yrange [9:16]
23
24 plot "[Link]" using 1:2 with points title "beobachtete Werte", \
25 f(x) title "linerare Regression"
26
27 set output
28 !epstopdf "[Link]"
Die eingelesenen Daten waren dabei in folgender Datei angegeben
[Link]
1 #Gewicht Speck
2 105 10.4
3 108 11.5
4 115 12.2
5 122 11.9
6 125 14.0
1
kostenloser Download unter [Link] - auch als Windows Version erhltlich.
Statistik Mathematik und Statistik WS 2010/2011
42 STICHWORTVERZEICHNIS
Stichwortverzeichnis
E
Ereignis
komplementr. . . . . . . . . . . . . . . . . . . . 8
sicheres . . . . . . . . . . . . . . . . . . . . . . . . . . 9
unmgliches . . . . . . . . . . . . . . . . . . . . . . 9
zusammengesetztes. . . . . . . . . . . . . . . 7
G
Grundgesamtheit . . . . . . . . . . . . . . . . . 9, 27
H
Histogramm
Polygon. . . . . . . . . . . . . . . . . . . . . . . . . 14
Summenpolygon . . . . . . . . . . . . . . . . 14
K
Korrelation. . . . . . . . . . . . . . . . . . . . . . . . . 17 f
Kovarianz . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
M
Mittelwert . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Modell
lineares . . . . . . . . . . . . . . . . . . . . . . . . . 34
Multinominalverteilung . . . . . . . . . . . . . . 22
R
Regressionskoezient . . . . . . . . . . . . . . . . 18
S
Standardabweichung. . . . . . . . . . . . . . . . . 16
Standardfehler. . . . . . . . . . . . . . . . . . . . . . . 29
Standardnormalverteilung . . . . . . . . . . . 23
Stichproben
mittel . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
mittelwert . . . . . . . . . . . . . . . . . . . . . . 28
varianz . . . . . . . . . . . . . . . . . . . . . . . . . 29
V
Variable
abhngige. . . . . . . . . . . . . . . . . . . . . . . 34
binr . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Varianz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Verteilungsfunktion. . . . . . . . . . . . . . . . . . 24
W
Wahrscheinlichkeit . . . . . . . . . . . . . . . . . . . . 5
bedingte . . . . . . . . . . . . . . . . . . . . . . . . . 9
Wahrscheinlichkeits
Baum. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Funktion. . . . . . . . . . . . . . . . . . . . . . . . 13
Wahrscheinlichkeitsfunktion . . . . . . . . . 24
Wahrscheinlichkeitsverteilung
kontinuierlich . . . . . . . . . . . . . . . . . . . 23
Z
Zufallsexperiment
binr . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Zufallsstichprobe . . . . . . . . . . . . . . . . . . . . 29
Zufallsvariable . . . . . . . . . . . . . . . . . . . . . . . 13
Abbildungsverzeichnis
1.1 Wahrscheinlichkeitsbaum ET-Beispiel bei gleicher Wahrscheinlichkeit 7
1.2 Wahrscheinlichkeitsbaum ET-Beispiel bei unterschiedlicher Wahrschein-
lichkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1 Wahrscheinlichkeitsverteilung fr die diskrete Zufallsvariable X . . . 13
2.2 Polygon zum obigen ET Beispiel . . . . . . . . . . . . . . . . . . . . 14
2.3 Summenpolygon zum obigen ET Beispiel . . . . . . . . . . . . . . . 15
4.1 Standardnormalverteilung . . . . . . . . . . . . . . . . . . . . . . . . 24
5.1 Beobachtung von Gewicht und Rckenspeckdicke bei Auktionsebern. 32
43