Advertisement

Schätzen in Normalverteilungsmodellen

  • Michael Falk
  • Johannes Hain
  • Frank Marohn
  • Hans Fischer
  • René Michel
Chapter
Part of the Mathematik für das Lehramt book series (MATHLEHR)

Zusammenfassung

Kann eine Zufallsmessung prinzipiell einen beliebigen Wert auf einer metrischen Zahlenskala annehmen, spricht man von einer stetigen Zufallsvariablen. Die Körpertemperatur oder der systolische Blutdruck von Probanden einer klinischen Studie sind typischerweise stetige Zufallsvariablen. Zeit- und Längenmessungen sind ebenfalls typische Beispiele. Dass innerhalb eines Intervalls jeder beliebige Wert angenommen werden kann, ist eine theoretische Annahme und unserer Vorstellung von „Kontinuität” geschuldet. In der Praxis werden die Daten naturgemäß aufgrund der begrenzten Messgenauigkeit und unvermeidbaren Rundungen immer in diskreter Form vorliegen. Trotzdem ist es sinnvoll, bei der Modellierung die Merkmale als stetige Zufallsvariable aufzufassen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Abramowitz, A. und Stegun, I.A. (Hrsg.) (1972). Handbook of Mathematical Functions. Dover Publications, New York.MATHGoogle Scholar
  2. 2.
    Arblaster J.W. (2008). The Thermodynamic Properties of Platinum. Platinum Metals Rev 49 (3), 141–149.CrossRefGoogle Scholar
  3. 3.
    Bickel, P.J. und Doksum, K.J. (2007). Mathematical Statistics, Basic Ideas and Selected Topics. 2. Auflage, Pearson Prentice Hall.Google Scholar
  4. 4.
    Fahrmeir, L., Kneib, T. und Lang, S. (2007). Regression – Modelle, Methoden und Anwendungen. Springer, Berlin.MATHGoogle Scholar
  5. 5.
    Falk. M, Becker, R. und Marohn, F. (2004). Angewandte Statistik. Springer, Berlin-Heidelberg.MATHGoogle Scholar
  6. 6.
    Fox, J. (2008). Applied Regression Analysis and Generalized Linear Models. Sage Publications, Los Angeles.Google Scholar
  7. 7.
    Georgii, H.-O. (2009). Stochastik. 4. Auflage, de Gruyter, Berlin.CrossRefMATHGoogle Scholar
  8. 8.
    Henze, N. (2010). Stochastik für Einsteiger. 8. Auflage, Vieweg, Wiesbaden.CrossRefMATHGoogle Scholar
  9. 9.
    Rice, J.A. (1995). Mathematical Statistics and Data Analysis. 2. Auflage, Duxbury Press.Google Scholar
  10. 10.
    Schneider, I. (1988). Die Entwicklung der Wahrscheinlichkeitstheorie von den Anfängen bis 1933. Wissenschaftliche Buchgesellschaft: Darmstadt.MATHGoogle Scholar
  11. 11.
    Shapiro, S.S. and Wilk, M.B. (1965). An analysis of variance Test for Normality (complete samples). Biometrika 52, 591–611.CrossRefMATHMathSciNetGoogle Scholar
  12. 12.
    Snow, G. (2012). TeachingDemos: Demonstrations for teaching and learning. R package version 2.8.Google Scholar
  13. 13.
    Student (1908). The probable error of a mean, Biometrika 6, 1–25.CrossRefGoogle Scholar
  14. 14.
    Thode, H.C. (2002). Testing for normality. Marcel Dekker, New York.CrossRefMATHGoogle Scholar
  15. 15.
    Witting, H. und Müller-Funk, U. (1995). Mathematische Statistik II. Teubner, Stuttgart.CrossRefMATHGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2014

Authors and Affiliations

  • Michael Falk
    • 1
  • Johannes Hain
    • 1
  • Frank Marohn
    • 1
  • Hans Fischer
    • 2
  • René Michel
    • 3
  1. 1.Institut für MathematikUniversität WürzburgWürzburgDeutschland
  2. 2.Mathematisch-Geographische FakultätKatholische Universität Eichstätt-IngolstadtEichstättDeutschland
  3. 3.Altran GmbH & Co. KGFrankfurt am MainDeutschland

Personalised recommendations