Sie sind auf Seite 1von 82

Formelsammlung zur Lehrveranstaltung

Statistik f ur Betriebswirte
9. Oktober 2013
Inhaltsverzeichnis
1 Beschreibende Statistik 1
1.1 Eindimensionale Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Graphiken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Zweidimensionale Daten . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Konzentrationsmae . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Zeitreihen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Indizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.1 Indexzahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.2 Umbasierung einer Indexreihe . . . . . . . . . . . . . . . . . . . 10
1.5.3 Verkn upfung von zwei Indexreihen . . . . . . . . . . . . . . . . 10
2 Grundlagen der Wahrscheinlichkeitsrechnung 11
2.1 zufallige Ereignisse und Wahrscheinlichkeiten . . . . . . . . . . . . . . . 11
2.1.1 Denition der Wahrscheinlichkeit . . . . . . . . . . . . . . . . . 11
2.1.2 Rechengesetze . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.3 Bedingte Wahrscheinlichkeiten . . . . . . . . . . . . . . . . . . . 12
2.1.4 Kombinatorische Formeln . . . . . . . . . . . . . . . . . . . . . 13
2.2 Zufallsgroen und deren Charakteristika . . . . . . . . . . . . . . . . . 14
2.2.1 Diskret verteilte Zufallsgroen . . . . . . . . . . . . . . . . . . . 15
2.2.2 Stetig verteilte Zufallsgroen . . . . . . . . . . . . . . . . . . . . 16
2.2.3 Erwartungswert, Varianz, Standardabweichung und Kovarianz . 17
2.3 Wichtige Wahrscheinlichkeitsverteilungen . . . . . . . . . . . . . . . . 18
2.3.1 Diskrete Verteilungen . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.2 Stetige Verteilungen . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Grundlagen des statistischen Schlieens I
(Schatzungen) 29
3.1 Stichproben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.1 Stichprobenfunktionen . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.2 Stichprobenplanung, Datengewinnung durch Stichproben . . . . 30
3.2 Parameterschatzungen . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.1 Punktschatzungen . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Kondenzschatzungen . . . . . . . . . . . . . . . . . . . . . . . 34
4 Grundlagen des Statistischen Schlieens II (Tests) 37
4.1 Signikanztest f ur Verteilungsparameter . . . . . . . . . . . . . . . . . 37
4.1.1 Statistische Tests . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.2 p-value (p-Wert) . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.1.3 Parametertests . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.1.4 Nichtparametrische Tests . . . . . . . . . . . . . . . . . . . . . . 46
4.2 Stichprobenplane zur Qualitatskontrolle . . . . . . . . . . . . . . . . . . 48
4.2.1 (n, c)-Stichprobenplan . . . . . . . . . . . . . . . . . . . . . . . 48
4.2.2 Approximative Berechnung eines (n, c)-Stichprobenplanes . . . . 49
4.2.3 Sequentielle Stichprobenplane . . . . . . . . . . . . . . . . . . . 49
4.3 Kontrollkarten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Varianzanalyse 52
5.1 einfache Klassikation . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.1.1 Test bei Normalverteilung . . . . . . . . . . . . . . . . . . . . . 52
5.1.2 Kruskal-Wallis-Test . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 zweifache Klassikation . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6 Korrelationsanalyse 55
6.1 Zwei Merkmale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.1.1 Gewohnlicher Korrelationskoezient (Bravais-Pearsonscher Kor-
relationskoezient) . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.1.2 Spearmansche Rangkorrelation . . . . . . . . . . . . . . . . . . 57
6.1.3 Kendallsche Rangkorrelation (Kendalls ) . . . . . . . . . . . . 58
6.2 p > 2 Merkmale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2.1 Partieller Korrelationskoezient . . . . . . . . . . . . . . . . . . 59
6.2.2 Multipler Korrelationskoezient . . . . . . . . . . . . . . . . . . 59
7 Regressionsanalyse 60
7.1 Lineare Regressionsanalyse . . . . . . . . . . . . . . . . . . . . . . . . . 60
7.1.1 Einfache lineare Regression . . . . . . . . . . . . . . . . . . . . 60
7.1.2 Multiple(parameter-) lineare Regression . . . . . . . . . . . . . 64
7.2 Regression mit qualitativen Merkmalen . . . . . . . . . . . . . . . . . . 65
7.2.1 Logit-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
7.2.2 Probit-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8 Anhang 66
3
1 Beschreibende Statistik
1.1 Eindimensionale Daten
Stichprobe eines Merkmals X mit Stichprobenumfang n:
x
1
, x
2
, . . . , x
n
.
Geordnete Stichprobe:
x
(1)
x
(2)
. . . x
(n)
.
1.1.1 Parameter
Lageparameter
empirischer Modalwert: Wert mit der groten Haugkeit in der Stichprobe.
empirisches Quantil:
x

=
_
x
(k)
, falls n nicht ganzzahlig : k ist die auf n folgende ganze Zahl;
1
2
(x
(k)
+x
(k+1)
), falls n ganzzahlig : k = n .
empirischer Median ( = 0.5):
x = x
0.5
.
unterer Viertelwert (unteres Quartil) ( = 0.25):
V
u
= x
0.25
.
oberer Viertelwert (oberes Quartil) ( = 0.75):
V
o
= x
0.75
.
arithmetisches Mittel:
x =
1
n
n

i=1
x
i
.
Streumae
empirische Varianz (Stichprobenstreuung):
s
2
=
1
n 1
n

i=1
(x
i
x)
2
=
1
n 1
_
n

i=1
x
2
i

1
n
_
n

i=1
x
i
_
2
_
.
empirische Standardabweichung:
s =

s
2
.
Quartilsabstand:
d = V
o
V
u
.
empirischer Variationskoezient:
v =
s
x
.
1
1.1.2 Graphiken
Die Haugkeitsverteilung einer kategoriellen Variable X kann als Kreisdiagramm oder
als Balkendiagramm dargestellt werden.
Kreisdiagramm
Balkendiagramm
gruppiert: gestapelt:
2
Histogramm:
Die Haugkeitsverteilung eines metrischen Merkmals X kann durch ein Histogramm
dargestellt werden. Ein Histogramm erfordert die Einteilung der Merkmalsachse in
aneinandergrenzende Klassen. Die Flache der Rechtecke uber den Klassen ist propor-
tional zur Haugkeit des Merkmales in der Klasse. Das optische Bild eines Histogram-
mes ist stark abhangig von der gewahlten Klasseneinteilung. Ein Histogramm kann
als Schatzung der Wahrscheinlichkeitsdichte einer stetigen Zufallsvariable verwendet
werden. (Es gibt allerdings wesentlich bessere Dichteschatzer.)
Box-Plot
untere Ausreiergrenze: A
u
= V
u
1, 5 d,
obere Ausreiergrenze: A
o
= V
o
+ 1, 5 d.
Die Ausreiergrenzen werden nicht mit dargestellt. Die Whisker gehen bis zum (klein-
sten) groten Wert der geordneten Stichprobe innerhalb der Ausreiergrenzen.
3
1.2 Zweidimensionale Daten
Zwei kategorielle Merkmale X (k Kategorien) und Y (l Kategorien) sind gekreuzt (jede
Kategorie des Merkmals X kommt mit jeder Kategorie des Merkmals Y vor).
Kontigenztafel (bzw. Kreuztabelle):
X\Y 1 . . . l
1 h
11
. . . h
1l
.
.
.
.
.
. . . .
.
.
.
k h
k1
. . . h
kl
h
ij
- Anzahl Merkmal X in Kategorie i und Y in j.
Balkendiagramm:
gruppiert: gestapelt:
Mosaik-Diagramm
Ein Zusammenhang bzw. eine Abhangigkeit zwischen den Merkmalen zeigt sich in
den bedingten Haugkeiten. Diese lassen sich in einem Mosaikplot darstellen.
4
Vergleich zweier (unverbundener) metrischer Merkmale X und Y .
Stichprobe des Merkmals X mit Stichprobenumfang n: x
1
, x
2
, . . . , x
n
.
Stichprobe des Merkmals Y mit Stichprobenumfang m: y
1
, y
2
, . . . , y
m
.
Histogramme
Box-Plots
5
Streudiagramm
An n Objekten werden 2 metrische Merkmale X und Y beobachtet. D.h. Stichprobe
eines 2-dimensionalen Merkmalsvektors (X, Y ) mit Stichprobenumfang n:
(x
1
, y
1
), (x
2
, y
2
), . . . , (x
n
, y
n
).
r = 0.9375
empirischer Korrelationskoezient:
r
x,y
=
n

i=1
(x
i
x)(y
i
y)
_
n

i=1
(x
i
x)
2
n

i=1
(y
i
y)
2
.
6
1.3 Konzentrationsmae
X - positives metrisches Merkmal
n - Objekte
Die Merkmalsauspragungen werden der Groe nach geordnet:
0 x
(1)
x
(2)
. . . x
(n)
.
u
i
=
i
n
Anteil der ersten i Objekte an der Gesamtanzahl n,
v
i
=
i

k=1
x
(k)
n

k=1
x
(k)
Anteil der Merkmalssumme der ersten i Objekte an der Gesamtmerkmalssumme.
Lorenzkurve:
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Lorenzkurven
u
v
Nettoquivalenzeinkommen (2005)
Anteile am Einkommensteueraufkommen (2007)
Gini-Koezient:
G = 1
1
n
n

i=1
(v
i
+v
i1
) = 1 +
1
n

2
n

n

i=1
v
i
Minimale Konzentration: x
1
= x
2
= . . . = x
n
= G = 0.
Maximale Konzentration: x
1
= x
2
= . . . = x
n1
= 0 und x
n
> 0 = G =
n1
n
.
Klassiertes Merkmal (m - Klassen)
H
i
- Anzahl der Objekte in der i-ten Klasse
h
i
- relative Anzahl der Objekte in der i-ten Klasse
M
i
- Merkmalssumme in der i-ten Klasse
u
i
=
i

k=1
h
k
, v
i
=
i

k=1
M
k
m

k=1
M
k
i = 1, . . . m und G = 1
m

i=1
h
i
(v
i
+v
i1
) .
7
1.4 Zeitreihen
Zeitreihe
Jahr
E
r
w
e
r
b
s
t

t
ig
e
1995 2000 2005 2010
3
.
7
e
+
0
7
3
.
8
e
+
0
7
3
.
9
e
+
0
7
4
.
0
e
+
0
7
Additives Zeitreihenmodell mit Trendkomponente
x
t
= g
t
+r
t
t = 1, 2, . . . , T
T . . . gleichabstandige Zeitpunkte
x
t
. . . Entwicklung des Merkmales uber die Zeit
g
t
. . . glatte Komponente (Trend)
r
t
. . . irregulare Komponente (zufallig)
Trenderkennung mittels Glattung (Smoothing):
gleitende Durchschnitte (moving average):
ungerade Ordnung (2k + 1): x

t
=
1
2k+1
k

j=k
x
t+j
gerade Ordnung (2k): x

t
=
1
2k
_
1
2
x
tk
+
k1

j=k+1
x
t+j
+
1
2
x
t+k
_
Jahr
E
r
w
e
r
b
s
t
tig
e
1995 2000 2005 2010
3
.7
e
+
0
7
3
.8
e
+
0
7
3
.9
e
+
0
7
4
.0
e
+
0
7
Zeitreihe
Glttung (Ordnung 12)
8
Additives Zeitreihenmodell mit Trend- und Saisonkomponente
x
t
= g
t
+s
t
+r
t
t = 1, 2, . . . , T
s
t
. . . Saisonkomponente
Die Saisonkomponente ist periodisch mit Periode p und schwankt um 0:
s
t
= s
t+p
und
p

j=1
s
j
= 0.
Schatzung der Saisonkomponente:
Bilde die gleitenden Durchschnitte x

t
der Ordnung n p (n nat urliche Zahl, meist
n = 1). Ist np = 2k gerade, so ist k =
np
2
. Bei ungerader Ordnung (2k +1) ist k =
np1
2
.
m
j
: kleinste ganze Zahl, so dass k + 1 j +m
j
p T k.
n
j
: grote ganze Zahl, so dass k + 1 j + (m
j
+n
j
) p T k.
Trendschatzung: g
t
= x

t
t = k + 1, . . . , T k
trendbereinigte Zeitreihe: d
t
= x
t
g
t
t = k + 1, . . . , T k
d
j
=
1
n
j
n
j
+m
j

l=m
j
d
j+lp
j = 1, . . . , p
d =
1
p
p

j=1
d
j
geschatzte Saisonkomponente: s
j
= d
j
d j = 1, . . . , p
Saisonschtzung
Monat
S
a
i
s
o
n
k
o
m
p
o
n
e
n
t
e
2 4 6 8 10 12

4
e
+
0
5

2
e
+
0
5
0
e
+
0
0
2
e
+
0
5
4
e
+
0
5
9
1.5 Indizes
1.5.1 Indexzahlen
Ein

Warenkorb enthalte die n G uter.


p
0
(j) . . . Preis des Gutes j zur Basiszeit 0
p
t
(j) . . . Preis des Gutes j zur Berichtszeit t, t = 1, . . .
q
0
(j) . . . Menge des Gutes j zur Basiszeit 0
q
t
(j) . . . Menge des Gutes j zur Berichtszeit t, t = 1, . . .
Preisindex
nach Laspeyres: nach Paasche:
P
L
0t
=
n

j=1
p
t
(j)q
0
(j)
n

j=1
p
0
(j)q
0
(j)
P
P
0t
=
n

j=1
p
t
(j)q
t
(j)
n

j=1
p
0
(j)q
t
(j)
Mengenindex Umsatzindex
nach Laspeyres: nach Paasche:
Q
L
0t
=
n

j=1
q
t
(j)p
0
(j)
n

j=1
q
0
(j)p
0
(j)
Q
P
0t
=
n

j=1
q
t
(j)p
t
(j)
n

j=1
q
0
(j)p
t
(j)
U
0t
=
n

j=1
p
t
(j)q
t
(j)
n

j=1
p
0
(j)q
0
(j)
1.5.2 Umbasierung einer Indexreihe
Die gegebene Indexreihe P
01
, P
02
, P
03
. . . soll von der Basis 0 auf die Basis umgestellt
werden:
P

t
=
P
0t
P
0
t = . . . 2, 1, 0, 1, 2, . . .
1.5.3 Verkn upfung von zwei Indexreihen
Die Indexreihen P
01
, P
02
, . . . , P
0t
und P
t
, P
,t+1
, . . . , P
,t+s
sind auf eine gemeinsame
Basis zu stellen.
Fortf uhrung des alten Index:
P

0,t+i
=
P
0t
P
t
P
,t+i
i = 1, . . . , s
R uckrechnung des neuen Index:
P

j
=
P
t
P
0t
P
0j
j = 0, 1, . . . , t
10
2 Grundlagen der Wahrscheinlichkeitsrechnung
2.1 zufallige Ereignisse und Wahrscheinlichkeiten
2.1.1 Denition der Wahrscheinlichkeit
A zufalliges Ereignis
P(A) Wahrscheinlichkeit des zufalligen Ereignisses A
Klassische Denition:
Voraussetzungen:
der betrachtete Versuch besitzt nur endlich viele alternative Versuchsausgange
(Elementarereignisse)
jedes Elementarereignis besitzt die gleichen Chancen aufzutreten
P(A) =
Anzahl der f ur A g unstigen Elementarereignisse
Anzahl aller moglichen Elementarereignisse
Denition durch die relative Haugkeit:
(Statistische Denition)
H
n
(A) absolute Haugkeit des Auftretens des Ereignisses A bei n
Wiederholungen desselben zufalligen Versuches
w
n
(A) =
H
n
(A)
n
relative Haugkeit des Auftretens von A
w
n
(A)
n
P(A)
Denition nach Kolmogoro:
(Axiome)
- sicheres Ereignis
1. 0 P(A) 1
2. P() = 1
3. P(A
1
A
2
. . .) = P(A
1
) + P(A
2
) + . . . , falls paarweise A
i
A
j
=
11
2.1.2 Rechengesetze
Komplementares Ereignis: P(A) = 1 P(A), (A = \A).
Regeln von de Morgan: A B = A B und A B = A B.
allgemeine Additionsregel: P(A B) = P(A) +P(B) P(A B).
Wenn A und B unvereinbare Ereignisse [A B = ], dann: P(A B) = P(A) +P(B).
allgemeine Multiplikationsregel: P(A B) = P(A|B) P(B) = P(B|A) P(A).
Wenn A und B (paarweise) unabhangig voneinander [P(A|B) = P(A) bzw. P(B|A) =
P(B)], dann:
P(A B) = P(A) P(B).
Wenn A
1
, . . . , A
k
in der Gesamtheit unabhangige zufallige Ereignisse sind, dann gelten
P(A
1
A
2
. . . A
k
) = P(A
1
) P(A
2
) . . . P(A
k
) =
k

i=1
P(A
i
) und
P(A
1
A
2
. . .A
k
) = 1((1P(A
1
))(1P(A
2
)). . .(1P(A
k
))) = 1
k

i=1
(1P(A
i
)).
2.1.3 Bedingte Wahrscheinlichkeiten
Voraussetzung: P(B) > 0
bedingte Wahrscheinlichkeit f ur das Ereignis A unter
P(A|B) =
P(AB)
P(B)
der Bedingung, dass das Ereignis B eingetreten ist
(Wkt. von A unter Bedingung B)
Totale Wahrscheinlichkeit:
Voraussetzung: Die A
i
(i = 1, . . . , n) bilden eine Zerlegung von .
P(B) =
n

i=1
P(B|A
i
)P(A
i
) totale Wahrscheinlichkeit f ur B.
BAYESsche Formel:
Voraussetzung: Die A
i
(i = 1, . . . , n) bilden eine Zerlegung von und P(B) > 0.
P(A
j
|B) =
P(B|A
j
)P(A
j
)
P(B)
=
P(B|A
j
)P(A
j
)
n

i=1
P(B|A
i
)P(A
i
)
j = 1, . . . , n
P(A
i
) a-priori Wahrscheinlichkeiten
P(A
i
|B) a-posteriori Wahrscheinlichkeiten
12
2.1.4 Kombinatorische Formeln
Fakultat
n! = 1 2 . . . n =
n

k=1
k (0! = 1)
z.B.:
5! = 1 2 3 4 5 = 120
Binomialkoezient
_
n
k
_
=
n!
k!(n k)!
=
n(n 1) (n k + 1)
k!
Anordnung
n verschiedene Objekte sollen angeordnet werden. Dann ist die Anzahl der moglichen
Reihenfolgen:
n! (Permutation)
n Objekte, aber nur k < n verschiedene mit den Anzahlen n
i
; 1 = 1, . . . , k sollen
angeordnet werden. Dann ist die Anzahl der moglichen Reihenfolgen:
n!
n
1
! n
2
! n
k
!
=
_
n
n
1
, n
2
, . . . , n
k
_
(Polynomialkoezient)
Auswahl
Aus n Objekten werden k ausgewahlt.
Anzahl der moglichen Stichproben mit Zur ucklegen ohne Zur ucklegen
vom Umfang k aus (mit Wiederholung) (ohne Wiederholung)
{1, 2, . . . n}
ohne Beachtung der Reihenfolge
_
n+k1
k
_ _
n
k
_
(Kombination)
mit Beachtung der Reihenfolge n
k
_
n
k
_
k!
(Variation)
13
2.2 Zufallsgroen und deren Charakteristika
X - Zufallsgroe
Verteilungsfunktion
F
X
ist die Verteilungsfunktion der Zufallsgroe X:
F
X
(t) = P(X < t)
0 5 10 15
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Verteilungsfunktion einer disketen Zufallsgre X
t
F
X
(
t
)
Die Verteilungsfunktion ist monoton wachsend, und es gilt:
lim
t
F
X
(t) = 0 und lim
t
F
X
(t) = 1.
Weiter gilt f ur a, b R: P(a X < b) = F
X
(b) F
X
(a),
P(a X) = 1 F
X
(a),
P(X < b) = F
X
(b).
14
2.2.1 Diskret verteilte Zufallsgroen
X kann endlich viele oder abzahlbar unendlich viele mogliche Werte x
i
mit positiver
Wahrscheinlichkeit annehmen:
p
i
= P(X = x
i
) (i = 1, 2, . . .) Einzelwahrscheinlichkeit
F ur die Einzelwahrscheinlichkeiten (Zahldichte) gilt:

i
p
i
= 1 und p
i
0.
Die Verteilungsfunktion ist damit: F
X
(t) =

x
i
<t
p
i
.
Beispiel:
P(X = 3) = P(X = 5) = 0.15, P(X = 7) = 0.5 und P(X = 11) = P(X = 13) = 0.1.
0 5 10 15
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Diskete Einzelwahrscheinlichkeiten der Zufallsgre X
t
P
(
X
=
t
)
0 5 10 15
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Verteilungsfunktion der disketen Zufallsgre X
t
F
X
(
t
)
p-Quantil (x
p
):
Jede Losung x
p
der Ungleichungen P(X x
p
) p und P(X < x
p
) p heit p-Quantil
der Zufallsgroe X.
Median: x
0.5
Erwartungswert (EX): EX =

i
x
i
P(X = x
i
) =

i
x
i
p
i
.
15
2.2.2 Stetig verteilte Zufallsgroen
X kann jeden reellen Wert aus einem gewissen Intervall annehmen. Dabei ist die Wahr-
scheinlichkeit, dass X einen Wert im Intervall [a, b] annimmt, gleich:
P(X [a, b]) = P(a X b) =
_
b
a
f
X
(t)dt.
Dabei ist f
X
die Dichtefunktion der Zufallsgroe X.
F ur die Dichtefunktion gilt:

f
X
(t)dt = 1 und f
x
(t) 0.
Die Verteilungsfunktion ist damit: F
X
(t) =
t
_

f
X
(x)dx.
Beispiel:
X ist standardnormalverteilt, d.h.
f
X
(t) =
1

2
e

1
2
t
2
.
4 2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
Dichtefunktion der Zufallsgre X
t
f
X
(
t
)
4 2 0 2 4
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Verteilungsfunktion der Zufallsgre X
t
F
X
(
t
)
p-Quantil (x
p
):
Jede Losung x
p
der Gleichung F
X
(x
p
) = p heit p-Quantil der Zufallsgroe X. D.h.
x
p
= F
(1)
X
(p).
Median: x
0.5
Erwartungswert (EX): EX =

tf
X
(t)dt.
16
2.2.3 Erwartungswert, Varianz, Standardabweichung und Kovarianz
Erwartungswert der Zufallsgroe X (EX):
EX =
_

i
x
i
P(X = x
i
) : X diskret

tf
X
(t)dt : X stetig
Varianz der Zufallsgroe X (VarX):
VarX = E(X EX)
2
= EX
2
(EX)
2
.
Standardabweichung der Zufallsgroe X :

VarX.
Variationskoezient der Zufallsgroe X :
V =

VarX
EX
.
Kovarianz der Zufallsgroen X und Y (Cov(X, Y )):
Cov(X, Y )=E(XEX)(YEY ) = EXYEX EY.
Die Zufallsgroen X und Y heien unkorreliert, falls Cov(X, Y ) = 0. Dabei gilt:
X und Y sind unabhangig = EXY = EX EY X und Y sind unkorreliert.
Eigenschaften:
F ur Zufallsgroen X und Y und reelle Zahlen a und b gilt:
E(a +bX) = a +bEX
E(X +Y ) = EX +EY
Var(a +bX) = b
2
VarX
Var(X +Y ) = VarX +VarY + 2Cov(X, Y )
sind X und Y unkorreliert: Var(X +Y ) = VarX +VarY
Standardisierung einer Zufallsgroe:
Sei X eine Zufallsgroe, dann gilt f ur die standardisierte Zufallsgroe Y :
Y =
X EX

VarX
EY = 0 und VarY = 1.
17
2.3 Wichtige Wahrscheinlichkeitsverteilungen
2.3.1 Diskrete Verteilungen
Diskrete Gleichverteilung
Eine Menge M besteht aus n Elemente, die alle gleichwahrscheinlich sind.
Einzelwahrscheinlichkeit:
P(X = k) =
1
n
f ur k M (Bez. : X U(M)).
Momente f ur X U({1, 2, . . . , n}):
EX =
n + 1
2
und VarX =
n
2
1
12
Anwendung: Laplace-Experiment
Hypergeometrische Verteilung
Eine Menge besteht aus N Elementen. Dabei gibt es M von der Sorte 1 und N M
von der Sorte 2. Aus der Menge werden n St uck (durch einmaliges Ziehen oder durch
Ziehen ohne Zur ucklegen) gezogen. Die Zufallsgroe X ist die Anzahl der St ucke von
Sorte 1 unter den Gezogenen.
Einzelwahrscheinlichkeit:
P(X = k) =
_
M
k
_

_
NM
nk
_
_
N
n
_ k = max(0, n(NM)), . . . , min(n, M) (X Hyp(N, M, n)).
Momente:
EX = n
M
N
und VarX = n
M
N

N M
N

N n
N 1
Eigenschaften: F ur N , M und
M
N
= p

Ubergang in eine Binomialvertei-
lung.
Anwendung: Sichprobennahme ohne Zur ucklegen, Qualitatskontrolle
Beispiele:
X U({1, 2, 3, 4}) X Hyp(100, 40, 12)
18
Bernoulli-Verteilung
Bernoulli-Experiment: Experiment mit 2 moglichen Versuchsausgangen A oder A.
Das Ereignis A tritt dabei mit einer Wahrscheinlichkeit p = P(A) ein.
Tritt das Ereignis A ein, dann ist die Zufallgroe X gleich 1 und sonst gleich 0.
Einzelwahrscheinlichkeit:
P(X = 1) = p und P(X = 0) = 1 p (Bez. : X B(p)).
Momente:
EX = p und VarX = p (1 p)
Eigenschaften: Die Summe unabhangiger und identisch bernoulliverteilter Zufalls-
groen ist Binomialverteilt: X
i
B(p) i = 1, . . . , n =
n

i=1
X
i
Bin(n, p).
Binomialverteilung
Es werden n unabhangige Bernoulli-Experimente durchgef uhrt. Die Zufallsgroe X ist
gleich der Anzahl, wie oft das Ereignis A eintritt.
Einzelwahrscheinlichkeit:
P(X = k) =
_
n
k
_
p
k
(1 p)
nk
k = 0, 1, . . . , n (Bez. : X Bin(n, p)).
Momente:
EX = n p und VarX = n p (1 p)
Eigenschaften: F ur n , p 0 und n p =

Ubergang in eine Poissonverteilung
Anwendung: unabhangige Wiederholung von Versuchen, Stichprobennahme mit Zur uck-
legen, Qualitatskontrolle, Schadenzahlverteilung in der Versicherungsmathematik
Beispiele:
X Bin(12, 0.4) X Bin(100, 0.03)
19
Poissonverteilung
Einzelwahrscheinlichkeit:
P(X = k) =

k
k!
e

> 0, k = 0, 1, . . . (Bez. : X Poi()).


Momente:
EX = und VarX =
Eigenschaften: Die Summe unabhangiger poissonverteilter Zufallsgroen ist poisson-
verteilt: X
i
Poi(
i
) i = 1, . . . , m =
n

i=1
X
i
Poi() mit =

m
i=1

i
.
Anwendung: Verteilung

seltener Ereignisse, Bedienungstheorie, Qualitatskontrolle,


Schadenzahlverteilung in der Versicherungsmathematik
Beispiele:
X Poi(3) X Poi(0.7)
20
Negative Binomialverteilung
Es werden unabhangige Bernoulli-Experimente solange durchgef uhrt bis zum r-ten mal
das Ereignis A eingetreten ist. Die Zufallsgoe X ist gleich der Anzahl der Versuche.
Einzelwahrscheinlichkeit:
P(X = k) =
_
k 1
r 1
_
p
r
(1p)
kr
k = r, r+1 . . . (Bez. : X NegBin(r, p)).
Momente:
EX =
r
p
und VarX =
r(1 p)
p
2
Anwendung: Schadenzahlverteilung in der Versicherungsmathematik
Alternative Denition:
Die Zufallsgoe Y ist gleich der Anzahl der Versuchsausgange A.
Also ist P(Y = k) = P(X = k +r) k = 0, 1 . . . und damit EY = EX r =
r(1p)
p
.
Geometrische Verteilung
Es werden unabhangige Bernoulli-Experimente solange durchgef uhrt bis zum ersten
Mal das Ereignis A eingetreten ist. Die Zufallsgoe X ist gleich der Anzahl der Versu-
che. (Spezialfall der Negativ-Binomialverteilung mit r = 1.)
Einzelwahrscheinlichkeit:
P(X = k) = p(1 p)
k1
k = 1, . . . (Bez. : X Geo(p)).
Momente:
EX =
1
p
und VarX =
1 p
p
2
Eigenschaften: Verteilung

ohne Gedachtnis (P(X = n +k|X > n) = P(X = k)).


Anwendung: Lauange bei Kontrollkarten (erwartete Lauange: ARL)
Beispiele:
X NegBin(5, 0.4) X Geo(0.4)
21
2.3.2 Stetige Verteilungen
Stetige Gleichverteilung auf [a, b]
Bezeichnung: X U[a, b].
Dichtefunktion: (a < b)
f(t) =
_
1
ba
: a t b
0 : sonst
Verteilungsfunktion:
F(t) =
_

_
0 : t < a
ta
ba
: a t b
1 : t > b
Momente:
EX =
a +b
2
und VarX =
(a b)
2
12
Eigenschaften: nichtinformative Verteilung
Anwendung: Grundlage f ur die Erzeugung von Zufallszahlen
Beispiel: X U[2, 4]
22
Exponentialverteilung
Bezeichnung: X Exp().
Dichtefunktion: ( > 0)
f(t) =
_
e
t
: t 0
0 : sonst
Verteilungsfunktion:
F(t) =
_
1 e
t
: t 0
0 : sonst
Momente:
EX =
1

und VarX =
1

2
Eigenschaften: Verteilung

ohne Gedachtnis, d.h


P(X x +t|X x) = P(X t) (MarkoEigenschaft)
Die Summe unabhangiger und identisch exponentialverteilter Zufallsgroen ist
Gammaverteilt.
Anwendung: Lebensdauerverteilung, in der Zuverlassigkeitstheorie und in der Be-
dienungstheorie
Beispiele: X Exp(0.8)
23
Normalverteilung
Bezeichnung: X N(,
2
).
Dichtefunktion: ( > 0)
f(t) =
1

2
e

1
2
(
t

)
2
Momente:
EX = und VarX =
2
Eigenschaften:
Die Summe unabhangiger normalverteilter Zufallsgroen ist normalverteilt:
X
i
N(
i
,
2
i
) i = 1, . . . , n =
n

i=1
X
i
N(,
2
) mit =
n

i=1

i
,
2
=
n

i=1

2
i
.
Anwendung: Viele Verfahren der Statistik basieren auf dieser Verteilung. Auch ist
die Normalverteilung eine wichtige Naherungsverteilung (Zentraler Grenzwertsatz).
Beispiele: X N(3, 0.36)
Standardnormalverteilung
Ist X normalverteilt mit Erwartungswert und Varianz
2
(X N(,
2
)) dann ist
Y =
X

standardnormalverteilt,
d.h. normalverteilt mit Erwartungswert 0 und Varianz 1 (Y N(0, 1)).
Verteilungsfunktion: Die Verteilungsfunktion der Standardnormalverteilung wird
mit bezeichnet und ist vertafelt.
24
Logistische Verteilung
Bezeichnung: X Logi(, ).
Dichtefunktion: ( > 0)
f(t) =
exp
_

_
1 + exp
_

_
_
2
Verteilungsfunktion:
F(t) =
1
1 + exp
_

_
Momente:
EX = und VarX =

2

2
3
Eigenschaften: f(t) =
1

F(t) (1 F(t)).
Anwendung: im kategoriellen Regressionsmodell (Logit-Modell),
Beispiel: X Logi(3, 0.6)
25
Weibull-Verteilung
Bezeichnung: X Wei(, , m).
Parameter: : Verschiebungsparameter (Lageparameter)
> 0 : Skalenparameter
m > 0 : Formparameter
Bemerkung: Ist = 0, so spricht man von der 2-parametrigen Weibullverteilung.
Dichtefunktion:
f(t) =

m1
exp

(
t

)
m

: t >
0 : sonst
Verteilungsfunktion:
F(t) =

1 exp

(
t

)
m

: t >
0 : sonst
Momente:
EX =

1 +
1
m

+
VarX =

1 +
2
m

1 +
1
m

2
mit der Gammafunktion.
Anwendung: In der mechanischen Verfahrenstechnik ndet die Weibull-Verteilung
Anwendung als eine spezielle Partikelgroenverteilung. Hier wird sie auch als RRSB-
Verteilung (nach Rosin, Rammler, Sperling und Bennet) bezeichnet.
Beispiele: X Wei(0, 1, m)
0.0 0.5 1.0 1.5 2.0 2.5
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
Dichtefunktionen
t
f
(
t
)
m = 0.5
m = 1
m = 1.5
m = 5
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Verteilungsfunktionen
t
F
(
t
)
m = 0.5
m = 1
m = 1.5
m = 5
26
Frechet-Verteilung
Bezeichnung: X Fre(, , m).
Parameter: : Verschiebungsparameter (Lageparameter)
> 0 : Skalenparameter
m > 0 : Formparameter
Dichtefunktion:
f(t) =
_
_
_
m

_
t

_(m+1)
exp
_
(
t

)
m
_
: t >
0 : sonst
Verteilungsfunktion:
F(t) =
_
exp
_
(
t

)
m
_
: t >
0 : sonst
Momente: (mit der Gammafunktion)
EX =
_

_
1
1
m
_
+ : m > 1
: sonst
VarX =
_
_

_
1
2
m
_

_
1
1
m
__
2
_

2
: m > 2
: sonst
Anwendung: Als eine Extremwertverteilung ist sie eine wichtige Verteilung zur Be-
stimmung von Risiken in der Finanzstatistik.
Beispiele: X Fre(0, , m)
0 1 2 3 4 5
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
1
.
2
Dichtefunktionen
t
f
(
t
)
= 1, m = 1
= 1, m = 2
= 1, m = 3
= 2, m = 1
= 2, m = 2
= 2, m = 3
0 1 2 3 4 5
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Verteilungsfunktionen
t
F
(
t
)
= 1, m = 1
= 1, m = 2
= 1, m = 3
= 2, m = 1
= 2, m = 2
= 2, m = 3
27
Gumbel-Verteilung
Bezeichnung: X Gum(, ).
Parameter: : Verschiebungsparameter (Lageparameter)
> 0 : Skalenparameter
Dichtefunktion:
f(t) =
1

e
e

Verteilungsfunktion:
F(t) = e
e

Momente:
EX = + mit 0, 5772 der Euler-Mascheroni-Konstante.
VarX =

2

2
6
Anwendung: Als eine Extremwertverteilung z.B. in:
- der Wasserwirtschaft (f ur extreme Ereignisse wie Hochwasser und Trockenzeiten),
- der Verkehrsplanung,
- der Meteorologie,
- der Hydrologie.
Beispiele: X Gum(, )
2 1 0 1 2 3 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
0
.
5
0
.
6
Dichtefunktionen
t
f
(
t
)
= 0, = 0.7
= 0, = 1
= 0, = 2
= 1.5, = 1
2 1 0 1 2 3 4
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Verteilungsfunktionen
t
F
(
t
)
= 0, = 0.7
= 0, = 1
= 0, = 2
= 1.5, = 1
28
3 Grundlagen des statistischen Schlieens I
(Schatzungen)
3.1 Stichproben
3.1.1 Stichprobenfunktionen
mathematische Stichprobe:
X
1
, . . . , X
n
.
X
i
: unabhangige und identisch verteilte Zufallsgroen, i = 1, . . . , n.
geordnete mathematische Stichprobe:
X
(1)
X
(2)
. . . X
(n)
.
Stichprobenmittelwert: (arithmetisches Mittel):
X =
1
n
n

i=1
X
i
(gewichtetes arithmetisches Mittel):
X
g
=
1
m

i=1
g
i
m

i=1
g
i
X
i
Spezialfall: g
i
= n
i
n
i
. . . absolute Haugkeit der konkreten Messung x
i
X
i
. . . Klassenreprasentant bei vorliegender Klasseneinteilung einer Stichprobe
Stichprobenstreuung (empirische Varianz):
S
2
=
1
n 1
n

i=1
(X
i
X)
2
empirisches -Quantil:

=
_
_
_
X
(k)
falls n nicht ganzzahlig: k ist die auf n folgende
ganze Zahl
1
2
(X
(k)
+X
(k+1)
) falls n ganzzahlig: k = n
empirischer Median:

X =

X
0,5
empirische Verteilungsfunktion:

F
n
(t) =
N
t
n
N
t
Anzahl der Elemente der Stichprobe, f ur die X
i
< t gilt.
29
3.1.2 Stichprobenplanung, Datengewinnung durch Stichproben
X zu untersuchendes Merkmal, Zufallsgoe X (Grundgesamtheit) mit
EX = und VarX =
2
.
N Anzahl der Objekte der Grundgesamtheit
Zufallsauswahl:
Aus den N Objekten der Grundgesamtheit werden zufallig und unabhangig n Objekte
nach einem Zufallsprozess (z.B. mit Hilfe von Zufallsziern) ausgewahlt.
X
1
, . . . , X
n
Stichprobe aus der Grundgesamtheit mit Stichprobenumfang n.
Schatzung des Erwartungswertes und der Varianz
2
:
= X =
1
n
n

i=1
X
i
und

2
= S
2
=
1
n 1
n

i=1
(X
i
X)
2
.
Geschichtete Stichprobe:
k Anzahl der Schichten in der Grundgesamtheit
N
i
Anzahl der Objekte in der Schicht i, i = 1, . . . , k
Aus jeder der k Schichten werden n
i
Objekte zur Befragung zufallig ausgewahlt.
Stichprobenumfang: n =
k

i=1
n
i
(deterministisch)
X
i
Auspragung des Merkmals X in der Schicht i.
EX
i
=
i
und VarX
i
=
2
i
p
i
=
N
i
N
Wahrscheinlichkeit daf ur, dass bei zufalliger Auswahl eines Objektes aus der
Grundgesamtheit ein Objekt der Schicht i ausgewahlt wird.
Erwartungswert (total) der Grundgesamtheit:
=
k

i=1
p
i

i
Varianz der Grundgesamtheit:
2
=
k

i=1
p
i

2
i
+
k

i=1
p
i
(
i
)
2

Streuungszerlegung: Varianz in der = Varianz in den + Varianz zwischen den
Grundgesamtheit Schichten Schichten
30
X
ij
- Auspragung des Merkmals X in der Schicht i beim Objekt j
(i = 1, . . . , k; j = 1, . . . , n
i
)
Schatzung f ur den Erwartungswert :
=
k

i=1
p
i

i
mit
i
= X
i
=
1
n
i
n
i

j=1
X
ij
Varianz der Schatzung f ur den Erwartungswert:
Var =
k

i=1
p
2
i

2
i
n
i
;
k

i=1
n
i
= n
Aufteilung des Stichprobenumfangs n:
proportional: n
i
= n p
i
optimal (bzgl. der Varianz): n
i
=
n
k

j=1
p
j

j
p
i

i
i = 1, . . . , k

i
Standardabweichung der Merkmalsauspragung in der Schicht i
kostenoptimal: n
i
=
c
k

j=1
p
j

c
j

p
i

c
i
i = 1, . . . , k
c gesamtes Kapital f ur die Erhebung
c
i
Kosten f ur eine Untersuchungseinheit in der Schicht i
F ur die exakt proportionale Schichtung, n
i
= n p, ist die Varianz von
Var =
1
n
k

i=1
p
i

2
i
.
Der absolute Schichtungseekt VarX Var wird damit
1
n
k

i=1
p
i
(
i
)
2
und der relative Schichtungseekt (unabhangig von n)
VarX Var
VarX
=
k

i=1
p
i
(
i
)
2
k

i=1
p
i

2
i
+
k

i=1
p
i
(
i
)
2
.
31
Klumpenstichprobe:
die Grundgesamtheit vom Umfang N bestehe aus M Klumpen K
1
, . . . , K
M
aus diesen M Klumpen werden mKlumpen zur Untersuchung zufallig ausgewahlt,
M
i
Anzahl der Objekte im Klumpen i, i = 1, . . . M
zufallige Auswahl von m Klumpen aus M vorhandenen mit einer Wahrscheinlichkeit
proportional zur Anzahl M
i
der Objekte im Klumpen K
i
: p
i
=
M
i
N
Der Stichprobenumfang ist bei dieser Auswahl zufallig ! n =
m

j=1
M
h
i
Schatzung f ur den Erwartungswert :
(K)
=
1
m
m

j=1

h
i
h
1
, . . . , h
m
Indizes der m ausgewahlten Klumpen

h
j
exakter Erwartungswert im Klumpen h
j
Klumpeneekt f ur M
i
=
N
M
: VarX Var
(K)
=
1
m
_
1
M
M

j=1

2
j

_
1
M
N
_

2
_
32
3.2 Parameterschatzungen
3.2.1 Punktschatzungen
X
1
, . . . , X
n
- mathematische Stichprobe
- Parameter der Verteilung von X
i

- Punktschatzung des Parameters (durch eine Stichprobenfunktion)


z.B:
- Schatzung des Erwartungswertes : = X =
1
n
n

i=1
X
i
.
- Schatzung der Varianz
2
:

2
= S
2
=
1
n1
n

i=1
(X
i
X)
2
.
Eigenschaften:
- erwartungstreue Schatzung: E

= .
( = X bzw.

2
= S
2
sind erwartungstreue Schatzer f ur = EX bzw.
2
= VarX.)
- asymptotisch erwartungstreue Schatzung: E

- Ist

ein asymptotisch erwartungstreuer Schatzer f ur und gilt Var


n
0, dann
ist

ein schwach konsistenter Schatzer, d.h.


n
.
( bzw.

2
sind schwach konsistente Schatzer f ur bzw.
2
.)
Schatzung der Parameter von Verteilungen:
Bernoulli-Verteilung:
p = X.
Poissonverteilung:

= X.
Normalverteilung:
= X und

2
= S
2
.
Gleichverteilung auf [0, a]:
a =
n + 1
n
X
max
mit X
max
= X
(n)
.
Exponentialverteilung:

=
1
X
.
33
3.2.2 Kondenzschatzungen
- fester und unbekannter Parameter
I - zufalliges Intervall (Kondenzintervall)
P( I) 1 .
Dabei heit 1 das Kondenzniveau.
Zentrales Kondenzintervall
I = [G
u
, G
o
]: P(G
u
G
o
) 1 .
Einseitige Kondenzintervalle
Obere Kondenzgrenze G
o
: P( G
o
) 1 .
Untere Kondenzgrenze G
u
: P(G
u
) 1 .
Eine Stichprobe: X
1
, .., X
n
Normalverteilte Stichprobe: X
i
N(,
2
) i = 1, .., n.
Zentrales Kondenzintervall bei normalverteilter Stichprobe f ur
den Erwartungswert , falls die Varianz
2
bekannt ist:
X

n
z
1/2
X +

n
z
1/2
.
Der notwendige Stichprobenumfang, um eine gegebene Lange l = 2d einzuhalten ist:
n
_
z
1/2
d
_
2

2
.
den Erwartungswert , falls die Varianz
2
unbekannt ist:
X
S

n
t
n1,1/2
X +
S

n
t
n1,1/2
.
die Varianz
2
, falls der Erwartungswert bekannt ist:
nS
2

2
n,1/2

2

nS
2

2
n,/2
.
die Varianz
2
, falls der Erwartungswert unbekannt ist:
(n 1)S
2

2
n1,1/2

2

(n 1)S
2

2
n1,/2
.
Dabei ist S
2
=
1
n
n

i=1
(X
i
)
2
die empirische Varianz, falls der Erwartungswert bekannt ist.
34
Bernoulliverteilte Stichprobe: X
i
B(p) i = 1, .., n.
(Tritt das Ereignis A ein, dann ist die Zufallsgroe X
i
gleich 1. P(A) = P(X
i
= 1) = p.)
Zentrales Kondenzintervall f ur p (n gro, Faustregel: n p > 5 und n(1 p) > 5)
G
u,o
=
1
n +z
2
1/2
_
X +
1
2
z
2
1/2
z
1/2
_
X(n X)
n
+
1
4
z
2
1/2
_
Dabei ist X =
n

i=1
X
i
die absolute Haugkeit von A und p =
X
n
die Punktschatzung f ur p.
Der notwendige Stichprobenumfang, um eine gegebene Lange l = 2d einzuhalten ist:
n
_
z
1/2
d
_
2
p(1 p).
Einseitige Kondenzintervalle, d.h. nur obere bzw. nur untere Kondenzgrenzen, erhalt
man, indem man bei den zentralen Kondenzintervallen die jeweilige Grenze wahlt und bei
den Quantilen /2 durch ersetzt.
D.h. z.B. bei einer Bernoulliverteilten Stichprobe (n gro): X
i
B(p) i = 1, .., n.
untere Kondenzgrenze f ur p: G
u
=
1
n +z
2
1
_
X+
1
2
z
2
1
z
1
_
X(n X)
n
+
1
4
z
2
1
_
.
obere Kondenzgrenze f ur p: G
o
=
1
n +z
2
1
_
X+
1
2
z
2
1
+z
1
_
X(n X)
n
+
1
4
z
2
1
_
.
Weitere ausgewahlte Beispiele f ur einseitige Kondenzintervalle.
Normalverteilte Stichprobe: X
i
N(,
2
) i = 1, .., n.
Parameter Voraussetzungen Kondenzschatzungen
untere Grenze: X
S

n
t
n,1,1


2
unbekannt
obere Grenze: X +
S

n
t
n1,1
untere Grenze:
(n1)S
2

2
n1,1

2

2
unbekannt
obere Grenze:
2

(n1)S
2

2
n1,
35
Zwei unabhangige Stichproben : X
11
, .., X
1n
1
und X
21
, .., X
2n
2
Normalverteilte Stichproben:
X
1i
N(
1
,
2
1
) i = 1, .., n
1
und X
2i
N(
2
,
2
2
) i = 1, .., n
2
.
Zentrales Kondenzintervall f ur
die Dierenz der Erwartungswerte
1

2
, falls die Varianzen unbekannt, aber gleich
sind
2
1
=
2
2
=
2
:
X
1
X
2
S
g
_
n
1
+n
2
n
1
n
2
t
n
1
+n
2
2,1/2

1

2
X
1
X
2
+S
g
_
n
1
+n
2
n
1
n
2
t
n
1
+n
2
2,1/2
.
Dabei ist S
2
g
=
1
n
1
+n
2
2
_
(n
1
1)S
2
1
+(n
2
1)S
2
2
_
die empirische (gemeinsame) Varianz.
S
2
1
ist die empirische Varianz der ersten und S
2
2
die der zweiten Stichprobe (vgl. S
2
).
den Quotienten der Varianzen

2
1

2
2
, falls die Erwartungswerte
1
und
2
unbekannt
sind:
S
2
1
S
2
2
F
n
2
1,n
1
1,/2


2
1

2
2

S
2
1
S
2
2
F
n
2
1,n
1
1,1/2
.
Einseitige Kondenzintervalle erhalt man (wie auf der vorangegangenen Seite beschrieben)
durch Ersetzen von /2 durch in der jeweiligen Grenze.
Beispiel: Einseitige Kondenzgrenzen f ur
die Dierenz der Erwartungswerte
1

2
, falls die Varianzen unbekannt, aber gleich
sind
2
1
=
2
2
=
2
:
untere Grenze: G
u
= X
1
X
2
S
g
_
n
1
+n
2
n
1
n
2
t
n
1
+n
2
2,1
.
obere Grenze: G
o
= X
1
X
2
+S
g
_
n
1
+n
2
n
1
n
2
t
n
1
+n
2
2,1
.
Bernoulliverteilte Stichproben:
X
1i
B(p
1
) i = 1, .., n
1
und X
2i
B(p
2
) i = 1, .., n
2
.
Zentrales Kondenzintervall f ur die Dierenz p
1
p
2
(n
1
und n
2
gro):
G
u,o
=
X
1
n
1

X
2
n
2
z
1/2

X
1
(n
1
X
1
)
n
3
1
+
X
2
(n
2
X
2
)
n
3
2
.
Dabei sind X
1
=
n
1

i=1
X
1i
und X
2
=
n
2

i=1
X
2i
.
36
4 Grundlagen des Statistischen Schlieens II (Tests)
4.1 Signikanztest f ur Verteilungsparameter
4.1.1 Statistische Tests
Die Durchf uhrung eines statistischen Tests verlangt die nachfolgenden Schritte:
1. Formulierung der Hypothesen, d.h. einer Nullhypothese H
0
und einer Alternativ-
hypothese H
A
, aus der zu bearbeitenden Aufgabenstellung.
(Ein statistischer Test ist ein einfaches statistisches Entscheidungsproblem. Aufgrund
einer Stichprobe (oder auch mehrerer Stichproben) wird f ur eine der beiden Hypothe-
sen entschieden. Entweder wird die Nullhypothese H
0
angenommen oder abgelehnt,
d.h. die Alternativhypothese H
A
wird angenommen.)
2. Vorgabe eines Signikanzniveaus entsprechend der durch die Aufgabenstellung ge-
forderten Sicherheit f ur die Entscheidung.
(Gilt die Nullhypothese, dann soll der Test diese moglichst annehmen und hochsten
mit einer Wahrscheinlichkeit (Signikanzniveau) ablehnen.)
3. Auswahl einer Testgroe T.
(Dabei muss T eine Stichprobenfunktion sein, deren Verteilung, falls die Nullhypothe-
se H
0
gilt (unter H
0
), bekannt ist. Die Testgroe wird also aufgrund der Nullhypothese
ausgewahlt.)
4. Festlegung des kritischen Bereiches K.
(Der kritische Bereich ist der Ablehnungsbereich f ur H
0
und wird aufgrund der Alter-
nativhypothese H
A
festgelegt. Dabei soll immer gelten:
H
0
gilt: P(T K) . (vgl. 2.))
5. Berechnung einer Realisierung t der Testgroe T.
(Die Testgroe T ist eine Funktion der Stichprobe X
1
, . . . , X
n
(vgl. 3.). Setzt man
in diese Funktion die konkrete (beobachtete) Stichprobe x
1
, . . . , x
n
(Realisierung der
Stichprobe X
1
, . . . , X
n
) ein, so erhalt man t, die Realisierung von T.)
6. Testentscheidung:
Falls t K = H
0
wird abgelehnt, d.h. H
A
wird angenommen.
Falls t K = H
0
wird nicht abgelehnt, d.h H
0
wird

angenommen.
(Neben der formalen Testentscheidung (H
0
wird abgelehnt bzw. H
0
wird angenom-
men), sollte f ur die konkrete Fragestellung die Testentscheidung so formuliert werden,
dass der Anwender diese versteht.)
37
Beispiel: Test f ur den Erwartungswert
Normalverteilte Stichprobe X
1
, .., X
n
, X
i
N(,
2
) (
2
ist unbekannt).
1.
H
0
: =
0
gegen H
A
: >
0
(
0
ist der hypothetische Wert, z.B.: H
0
: = 3 H
A
: > 3 (
0
= 3))
2.
= 0, 05
(Gilt H
0
, dann soll die Wahrscheinlichkeit der Ablehnung hochstens 0,05 sein.)
3.
T =
X
0
S

n
H
0
t
n1
(Im Wesentlichen wird in T der Mittelwert X mit dem hypothetischen Wert
0
verglichen.
Falls H
0
gilt, dann ist T t-verteilt mit n 1 Freiheitsgraden)
FG
9
Student-t Verteilung
-6 -4 -2 0 2 4 6
x
0
0,1
0,2
0,3
0,4
D
i
c
h
t
e
4.
K = {t | t > t
n1,1
}
(Da die Alternativhypothese H
A
: >
0
ist, sollen sehr groe Werte der Teststatistik zur Ab-
lehnung der Nullhypothese H
0
f uhren. Gilt H
0
, so ist P(T K) = (vgl. 2.). F ur n = 10 und
= 0, 05 ist t
9,0.95
= 1, 83.)
alpha = 0,05
1,83
FG
9
Student-t Verteilung
-6 -4 -2 0 2 4 6
0
0,1
0,2
0,3
0,4
D
i
c
h
t
e
5. x
1
= 4, 01; x
2
= 3, 38; x
3
= 2, 72; x
4
= 3, 19; x
5
= 2, 92; x
6
= 3, 51; x
7
= 2, 53;
x
8
= 5, 08; x
9
= 2, 45; x
10
= 3, 16 = x = 3, 595 und s
2
= 0, 616739.
t =
3, 595 3

0, 616739

10 = 2, 40
38
6. t = 2, 40 > 1, 83 = t K = H
0
wird ablehnt.
t=2,40
FG
9
Student-t Verteilung
-6 -4 -2 0 2 4 6
0
0,1
0,2
0,3
0,4
D
i
c
h
t
e
4.1.2 p-value (p-Wert)
Die Statistik-Software (z.B. Statgraphics, SPSS, R, ...) berechnet aus der Realisierung t
der Teststatistik T den p-value (p-Wert). F ur die Testentscheidung wird dieser p-value mit
dem Signikanzniveau verglichen.
Falls p = H
0
wird abgelehnt, d.h. H
A
wird angenommen.
Falls p > = H
0
wird nicht abgelehnt, d.h H
0
wird

angenommen.
(Ist also t die Realisierung der Testgroe, so ist der p-value das kleinste Signikanzniveau
, f ur welches die Testentscheidung des Testes

H
0
wird abgelehntware.)
Beispiel s.o.:
Die Realisierung der Testgroe ist t = 2, 40.
Da die Alternativhypothese H
A
: > 3 ist, errechnet man den p-value wie folgt:
p = P
H
0
(T > t) = P
H
0
(T > 2, 40) = 0, 020
p = 0, 020 < 0, 05 = = H
0
wird ablehnt.
t=2,40
FG
9
Student-t Verteilung
-6 -4 -2 0 2 4 6
0
0,1
0,2
0,3
0,4
D
i
c
h
t
e
p = 0,020
39
4.1.3 Parametertests
Eine Stichprobe
Normalverteilte Stichprobe X
i
N(,
2
) i = 1, .., n.
Test f ur den Erwartungswert , d.h. Test bez uglich der Lage:
H
0
: =
0
(
2
bekannt) T =
X
0

n T
H
0
N(0, 1)
H
A
: =
0
K =
_
t | |t| z
1

2
_
H
A
: >
0
K = {t | t z
1
} (H
0
:
0
ist hier auch moglich.)
H
A
: <
0
K = {t | t z
1
} (H
0
:
0
ist hier auch moglich.)
Der folgende Test wird auch als t-Test bezeichnet.
H
0
: =
0
(
2
unbekannt) T =
X
0
S

n T
H
0
t
n1
H
A
: =
0
K =
_
t | |t| t
n1;1

2
_
H
A
: >
0
K = {t | t t
n1;1
} (H
0
:
0
ist hier auch moglich.)
H
A
: <
0
K = {t | t t
n1;1
} (H
0
:
0
ist hier auch moglich.)
Test f ur die Varianz
2
, d.h. Test bez uglich der Streuung:
H
0
:
2
=
2
0
( bekannt) T =
nS
2

2
0
T
H
0

2
n
H
A
:
2
=
2
0
K =
_
t | t
2
n;1

2
oder t
2
n;

2
_
H
A
:
2
>
2
0
K =
_
t | t
2
n;1
_
(H
0
:
2

2
0
ist hier auch moglich.)
H
A
:
2
<
2
0
K =
_
t | t
2
n;
_
(H
0
:
2

2
0
ist hier auch moglich.)
Dabei ist S
2
=
1
n
n

i=1
(X
i
)
2
die empirische Varianz, falls der Erwartungswert bekannt ist.
H
0
:
2
=
2
0
( unbekannt) T =
(n 1)S
2

2
0
T
H
0

2
n1
H
A
:
2
=
2
0
K =
_
t | t
2
n1;1

2
oder t
2
n1;

2
_
H
A
:
2
>
2
0
K =
_
t | t
2
n1;1
_
(H
0
:
2

2
0
ist hier auch moglich.)
H
A
:
2
<
2
0
K =
_
t | t
2
n1;
_
(H
0
:
2

2
0
ist hier auch moglich.)
40
Bernoulliverteilte Stichprobe X
i
B(p) i = 1, .., n.
(Tritt das Ereignis A ein, dann ist die Zufallgroe X
i
gleich 1. P(A) = P(X
i
= 1) = p.)
n gro, Faustregel: np
0
(1 p
0
) 9.
Hypothese Testgroe T Verteilung von T, kritischer Bereich
H
0
H
A
falls p = p
0
p = p
0
p = p
0
|t| z
1/2
p p
0
p > p
0
T =
Xnp
o

np
o
(1p
o
)
N(0, 1) t z
1
p p
0
p < p
0
t z
1
Dabei ist X =
n

i=1
X
i
die absolute Haugkeit von A.
Zwei unabhangige Stichproben
Bernoulliverteilte Stichproben:
X
1i
B(p
1
) i = 1, .., n
1
und X
2i
B(p
2
) i = 1, .., n
2
.
n
1
und n
2
gro, Faustregel: n
1
50, n
2
50, n p > 5 und n(1 p) > 5.
Hypothese Testgroe T Verteilung von T, kritischer Bereich
H
0
H
A
falls p
1
= p
2
p
1
= p
2
p
1
= p
2
|t| z
1/2
p
1
p
2
p
1
> p
2
T =
p
1
p
2

p(1 p)
_
1
n
1
+
1
n
2
_ N(0, 1) t z
1
p
1
p
2
p
1
< p
2
t z
1
Dabei sind X
1
=
n
1

i=1
X
1i
, p
1
=
X
1
n
1
und X
2
=
n
2

i=1
X
2i
, p
2
=
X
2
n
2
und p =
X
1
+X
2
n
mit n = n
1
+n
2
.
Normalverteilte Stichproben:
X
1i
N(
1
,
2
1
) i = 1, .., n
1
und X
2i
N(
2
,
2
2
) i = 1, .., n
2
.
Test f ur die Varianzen
2
1
und
2
2
, d.h. Test bez uglich der Streuungen:
Hypothese Testgroe T Verteilung von T, kritischer Bereich
H
0
H
A
falls
2
1
=
2
2

2
1
=
2
2

2
1
=
2
2
t F
n
1
1,n
2
1;1

2
oder
t F
n
1
1,n
2
1;

2
1

2
2

2
1
>
2
2
T =
S
2
1
S
2
2
F
n
1
1,n
2
1
t F
n
1
1,n
2
1;1

2
1

2
2

2
1
<
2
2
t F
n
1
1,n
2
1;
41
Tests f ur die Erwartungsverte
1
und
2
(Lagevergleich):
Doppelter-t-Test (Vorausetzung ist, dass die Varianz gleich ist, d.h.
2
1
=
2
2
)
Hypothese Testgroe T Verteilung von T, kritischer Bereich
H
0
H
A
falls
1
=
2

1
=
2

1
=
2
|t| t
n
1
+n
2
2,1/2

1

2

1
>
2
T =
X
1
X
2
S
g
_
n
1
n
2
n
1
+n
2
t
n
1
+n
2
2
t t
n
1
+n
2
2;1

1

2

1
<
2
t t
n
1
+n
2
2;1
Dabei ist S
2
g
=
1
n
1
+n
2
2
_
(n
1
1)S
2
1
+ (n
2
1)S
2
2
_
die geschatzte Gesamtvarianz.
Welch-Test
Hypothese Testgroe T Verteilung von T, kritischer Bereich
H
0
H
A
falls
1
=
2

1
=
2

1
=
2
|t| t
m,1/2

1

2

1
>
2
T =
X
1
X
2

S
2
1
n
1
+
S
2
2
n
2
t
m
t t
m;1

1

2

1
<
2
t t
m;1
Der Freiheitsgrad ist m =
_

_
_
S
2
1
n
1
+
S
2
2
n
2
_
2
_
S
2
1
n
1
_
2
n
1
1
+
_
S
2
2
n
2
_
2
n
2
1
_

_
int
.
Dabei ist [x]
int
der ganzzahlige Anteil von x, z.B. [3, 78]
int
= 3.
Test zum Lagevergleich zweier unabhangiger Stichproben:
Rangtest nach Wilcoxon (Wilcoxon-Mann-Whitney-Test)
Der Wilcoxon-Rangsummentest dient zum Vergleich zweier unabhangiger Stichproben hin-
sichtlich ihrer zentralen Tendenz (ihrer Lage). Im Falle nicht gegebener Normalverteilung
ersetzt der Wilcoxon-Rangsummentest also den doppelten-t-Test.
X
1
, .., X
n
1
mit stetiger Verteilungsfunktion F
X
.
Y
1
, .., Y
n
2
mit stetiger Verteilungsfunktion F
Y
.
Es gibt eine Zahl a, so dass f ur alle Zahlen t gilt:
F
Y
(t) = F
X
(t +a)
Daraus folgt z.B. EX = EY +a.
42
f_Y
f_X
0 1 2 3 4
x
0
0,2
0,4
0,6
0,8
1
1,2
a=1
Dichtefunktionen
F_Y
F_X
Verteilungsfunktionen
0 1 2 3 4
x
0
0,2
0,4
0,6
0,8
1
a=1

1
= EX und
2
= EY
Hypothese Testgroe T Verteilung von T, kritischer Bereich
H
0
H
A
falls
1
=
2

1
=
2

1
=
2
t w
n
1
,n
2
;1

2
oder
t w
n
1
,n
2
;

1

2

1
>
2
T = R
1
W
n
1
,n
2
t w
n
1
,n
2
;1

1

2

1
<
2
t w
n
1
,n
2
;
Die Tabellen f ur w
n
1
,n
2
;
sind im Anhang zu nden. Dabei ist
w
n
1
,n
2
;1
= n
1
(n
1
+n
2
+ 1) w
n
1
,n
2
;
.
In der gemeinsamen Stichprobe (beide Stichproben zusammen) werden die Range bestimmt.
Bildet man die Summe dieser Range in der ersten Stichprobe , so erhalt man R
1
.
Approximativ (f ur grosse Stichproben, Faustregel: n
1
4, n
2
4, n
1
+n
2
20)
Hypothese Testgroe T Vert. von T, kr. Bereich
H
0
H
A
falls
1
=
2

1
=
2

1
=
2
|t| z
1/2

1

2

1
>
2
T =
R
1

1
2
n
1
(n
1
+n
2
+1)

1
12
n
1
n
2
(n
1
+n
2
+1)
N(0, 1) t z
1

1

2

1
<
2
t z
1
Oft wird der Test zum Vergleich der Lage zweier unabhangiger Stichproben verwendet, falls
die Daten ein beliebiges metrisches oder auch nur ein ordinales Skalenniveau besitzen.
43
Zwei verbundene Stichproben
Beobachtet man zwei Merkmale an ein- und demselben Objekt, so entsteht eine verbundene
Stichprobe. (Beispiel: Die Anzahl der Bestellungen der Stammkunden vor (1. Stichprobe)
und nach (2. Stichprobe) einer Werbeaktion werden erfasst.) Bei einer verbundenen Stich-
probe gibt es damit zu jedem Merkmalswert in der ersten Stichprobe einen Merkmalswert in
der zweiten Stichprobe. Die Stichprobenumfange sind damit in beiden Stichproben gleich.
Die Unabhangigkeit der beiden Stichproben kann nicht mehr vorausgesetzt werden, darum
spricht man bei verbundenen Stichproben auch von abhangigen Stichproben. Nach wie vor
werden die Werte innerhalb der 1. Stichprobe: X
1
, X
2
, . . . , X
n
und innerhalb der 2. Stich-
probe: Y
1
, Y
2
, . . . , Y
n
als unabhangige Zufallvariablen betrachtet.
Verbundene Stichprobe: (X
1
, Y
1
), (X
2
, Y
2
), . . . (X
n
, Y
n
)
Durch die Bildung der Dierenz der beiden Stichproben erhalt man eine Stichprobe
D
i
= X
i
Y
i
i = 1, . . . , n.
Je nach Fragestellung und weiteren Voraussetzungen an die verbundene Stichprobe kann
man jetzt Tests f ur eine Stichprobe verwenden. F ur die folgenden Tests wird erst einmal
nur vorausgestzt, dass D
i
eine stetige Zufallsgroe ist.
Normalverteilte Stichproben:
X N(
1
,
2
1
) i = 1, .., n und Y N(
2
,
2
2
) i = 1, .., n
.
Tests f ur die Erwartungswerte
1
und
2
(Lagevergleich):
t-Test f ur zwei verbundene Stichproben
Verwende den t-Test f ur eine Stichprobe f ur D
1
, . . . , D
n
D
i
N(
d
,
d
) i = 1, .., n.
Dabei ist

d
=
1

2
.
Weitere Tests zum Lagevergleich zweier verbundener Stichproben:
Vorzeichentest
Im Falle nicht gegebener Normalverteilung ersetzt der Vorzeichentest, oder mit starkeren
Voraussetzungen der Wilcoxon-Vorzeichentest, den t-Test f ur zwei verbundene Stichproben.
Z
i
=
_
1 : D
i
> 0 ( X > Y )
0 : D
i
< 0 ( X < Y )
Z =
n

i=1
Z
i
dann ist Z Bin(n, p) mit p = P(X > Y ).
Verwende Tests f ur die Wahrscheinlichkeit p.
44
Wilcoxon-Vorzeichentest
Hier wird noch vorausgestzt, dass die Dierenzen D
i
stetig und symmetrisch um den Me-
dian M verteilt sind.
Mogliche Hypothesen sind dann z.B.:
M > 0, d.h. mehr positive Dierenzen bzw. X ist

groer als Y.
M < 0, d.h. mehr negative Dierenzen bzw. X ist

kleiner als Y.
Hypothese Testgroe T Verteilung von T, kritischer Bereich
H
0
H
A
falls M = 0
M = 0 M = 0 t w
+
n;1

2
oder
t w
+
n;

2
M 0 M > 0 T =
n

i=1
R
+
i
Z
i
W
+
n
t w
+
n;1
M 0 M < 0 t w
+
n;
Dabei sind R
+
i
= Rang(|D
i
|) und Z
i
=
_
1 : D
i
> 0
0 : D
i
< 0
.
Man bestimmt also die Betrage der Dierenzen D
i
und von diesen dann die Range. In der
Testgroe T werden dann alle Range aufsummiert, bei welchen D
i
> 0, d.h. die Dierenzen
positiv sind.
Die Tabellen f ur w
+
n;
sind im Anhang zu nden. Dabei ist
w
+
n;1
=
n(n + 1)
2
w
+
n;
.
Approximativ (f ur groe Stichproben, Faustregel: n 20)
Hypothese Testgroe T Verteilung von T, kritischer Bereich
H
0
H
A
falls M = 0
M = 0 M = 0 |t| z
1/2
M 0 M > 0 T =
n

i=1
R
+
i
Z
i

1
4
n(n+1)

1
24
n(n+1)(2n+1)
N(0, 1) t z
1
M 0 M < 0 t z
1
45
4.1.4 Nichtparametrische Tests
Tests auf Vorliegen einer bestimmten Verteilung
F ur eine Stichprobe X
1
, . . . , X
n
(identisch verteilte (d.h. F
X
i
(t) = F
X
(t) i = 1, .., n) und
unabhangige Zufallsgroen) soll untersucht werden, welche Verteilung vorliegt.
H
0
: F
X
(t) = F
0
(t) gegen H
A
: F
X
(t) = F
0
(t)
Dabei ist F
0
die Verteilungsfunktion der hypothetischen Verteilung.

2
-Anpassungstest
Voraussetzung: groer Stichprobenumfang
Die Stichprobe X
1
, . . . , X
n
wird in k Klassen eingeteilt.
h
i
- absolute Haugkeit der Stichprobenwerte in der Klasse i (i = 1, . . . , k)
p
i
- Wahrscheinlichkeit unter H
0
, dass eine Beobachtung in der Klasse i liegt
Testgroe:
T =
k

i=1
(h
i
np
i
)
2
np
i
Kritischer Bereich: K =
_
t | t >
2
km1;1
_
Dabei ist m die Anzahl der Parameter der hypothetischen Verteilung, die aus der Stichprobe
geschatzt werden.
Da der
2
-Anpassungstest ein asymptotischer Tests ist, sollten die Stichproben als ganzes
nicht zu klein sein. Auch sollte man die Klassen so wahlen, dass die erwarteten Haug-
keiten (np
i
) in jeder Klasse groer als 1 sind. Ist das nicht der Fall, dann lege man Klassen
zusammen. Das Testergebnis hangt von der Klasseneinteilung ab.
Kolmogorov-Smirnov-Test
Voraussetzung: F
0
muss stetig sein und darf keine unbekannten Parameter enthalten.
Testgroe:
T = sup
t
|

F
n
(t) F
0
(t)|
Dabei ist

F
n
die empirische Verteilungsfunktion.
F ur die praktische Anwendung des K-S-Testes verwende man ein Statistik-Programm.
Der K-S-Test ist (im Vergleich zum
2
Anpassungstest) auch f ur kleine Stichproben an-
wendbar und das Testergebnis hangt nicht von einer Klasseneinteilung ab. Auch kann man
mit dem K-S-Test einseitige Fragestellungen testen. Es gibt Modikationen des K-S-Tests,
bei denen F
0
noch unbekannte und damit aus der Stichprobe zu schatzende Parameter
enthalt (bei Normalverteilung z.B. Lilliefors-Test). Desweiteren kann man mit einer Version
des K-S-Test testen, ob zwei Stichproben die gleiche Verteilung besitzen.
46
Shapiro-Wilk-Test (Test auf Vorliegen der Normalverteilung)
Der Shapiro-Wilk-Test testet ausschlielich, ob bei der Stichprobe eine Normalverteilung
vorliegt. F ur diese Frage ist es der Test mit der hochsten G ute. Zur Durchf uhrung des Tests
wird eine Statistik-Software (z.B. Statgraphics, SPSS, R,.. ) benotigt, da dieser Test sehr
rechenintensiv ist.
Unabhangigkeitstest
Kontingenztafel (p q - Tafel)
Der
2
-Unabhangigkeitstest uberpr uft, ob zwei (beliebig skalierte) Merkmale X und Y
stochastisch unabhangig sind.
H
0
: X und Y sind stochastisch unabhangig
Merkmal X : p Klassen A
1
, . . . , A
p
Merkmal Y : q Klassen B
1
, . . . , B
q
Y B
1
. . . B
q
X
A
1
h
11
h
1q
h
1
. . . h
ij
. . .
A
p
h
p1
h
pg
h
p
h
1
. . . h
q
n
h
ij
- absolute Haugkeit der Realisierungen in der Klassenkombination A
i
und B
j
h
i
- Zeilensummen
h
j
- Spaltensummen
Testgroe:
T = n
p

i=1
q

j=1
_
h
ij

h
i
h
j
n
_
2
h
i
h
j
Kritischer Bereich:
K =
_
t | t >
2
(p1)(q1);1
_
p . . . Anzahl der Zeilen
q . . . Anzahl der Spalten
Sind X und Y normalverteilt, dann verwendet man zum Testen der Unabhangigkeit den
Pearson - Korrelationstest (Test auf Unkorreliertheit) (s. S. 52).
47
4.2 Stichprobenplane zur Qualitatskontrolle
4.2.1 (n, c)-Stichprobenplan
n . . . Stichprobenumfang
c . . . Annahmezahl
X . . . (zufallige) Anzahl der Ausschussst ucke in der Stichprobe
p . . . (unbekannter) Anteil des Ausschusses an der Gesamtheit der Lieferung
F ur diesen unbekannten Ausschussanteil p sollen folgende Hypothesen getestet werden:
H
0
: p p

(Ausschussanteil p von hochstens p

= gute Lieferung.)
H
A
: p p

(Ausschussanteil von mindestens p

= schlechte Lieferung.) (p

< p

)
Testentscheidung:
X c = H
0
wird angenommen,
X > c = H
0
wird abgelehnt.
L(p). . . OC-Funktion an der Stelle p.
(Die OC-Funktion des Tests gibt an, mit welcher Wahrscheinlichkeit H
0
angenommen wird.)
1.) Die Wahrscheinlichkeit der Ablehnung (H
0
wird abgelehnt) einer guten Lieferung ist
hochstens (Produzentenrisiko):
L(p

) 1 .
2.) Die Wahrscheinlichkeit der Annahme (H
0
wird angenommen) einer schlechten Lieferung
ist hochstens (Konsumentenrisiko):
L(p

) .
p
L
(
p
)
Operationscharakteristik (OC-Kurve)
n=1195, c=10
0 0,5 1 1,5 2 2,5 3
0
0,2
0,4
0,6
0,8
1
p_beta=1,5
L(p_beta)<0,03
L(p_alpha) >0,95
p_alpha=0,05
(in %)
48
n und c m ussen so bestimmt werden, dass die Forderungen 1.) und 2.) erf ullt sind. Dazu
kann man z.B. das Statistik-Programm Statgraphics nutzen. Naherungsweise kann man
auch eine der folgenden Approximationen verwenden.
4.2.2 Approximative Berechnung eines (n, c)-Stichprobenplanes
Poisson-Approximation

2
2(c+1);1
2p

2
2(c+1);
2p

Normalverteilungs-Approximation
np

+z
1
_
np

(1 p

) c np

z
1
_
np

(1 p

)
Man erhalt folgende untere Schranke f ur den Stichprobenumfang:
n
_
_
p

(1 p

)z
1
+
_
p

(1 p

)z
1
p

_
2
4.2.3 Sequentielle Stichprobenplane
Es werden die gleichen Hypothesen wie beim (n, c)-Stichprobenplan getestet. Aber jetzt
gibt es noch eine 3-te mogliche Testentscheidung, namlich die Fortsetzung der Pr ufung.
k . . . Anzahl der gepr uften St ucke
X
k
. . . (zufallige) Anzahl der Ausschussst ucke unter den ersten k gepr uften
Testentscheidung:
X
k
c
s
k a = H
0
wird angenommen,
X
k
c
s
k +b = H
0
wird abgelehnt.
c
s
k a < X
k
< c
s
k +b = Pr ufung wird fortgesetzt.
Dabei sind (als Funktionen von k) c
s
ka die Annahmegerade und c
s
k+b die Ablehnungsgerade.
Mit d = ln
_
p

(1 p

)
p

(1 p

)
_
sind a =
ln
_
1

_
d
, b =
ln
_
1

_
d
und c
s
=
ln
_
1p

1p

_
d
.
(Mit diesen Parametern werden die Forderungen L(p

) 1 und L(p

) naherungs-
weise erf ullt.)
49
erwarteter Stichprobenumfang:
EN =
_

_
b(a+b)L(p)
pc
s
f ur p = c
s
ab
c
s
(1c
s
)
f ur p = c
s
Entscheidungsgebiete in einem Beispiel:
Sequentieller Test
k
x
_
k
0 10 20 30 40 50
-2
-1
0
1
2
3
4
5
Ablehnungsbereich
Annahmebereich
Fortsetzungsbereich
4.3 Kontrollkarten
Variablenpr ufung mit der Mittelwertkarte
Merkmal X sei normalverteilt mit X N(,
2
)
a : Sollwert f ur den Erwartungswert
H
0
: = a gegen H
A
: = a
Es wird zu verschiedenen Zeitpunkten getestet, ob der Sollwert eingehalten wird oder ob
es Abweichungen vom Sollwert gibt. Der Stichprobenumfang n ist f ur jeden Entnahmezeit-
punkt der Gleiche. Die Varianz
2
sei bekannt.
X
(j)
: Mittelwert aus einer Stichprobennahme vom Umfang n zum Zeitpunkt t
j
, j = 1, . . .
Die Hypothese H
0
wird nicht abgelehnt (d.h. H
0
wird angenommen), falls der Mittelwert
X
(j)
innerhalb der Kontrollgrenzen liegt, d.h.:
a z
1

n
< X
(j)
< a +z
1

n
mit = 0, 01 f ur den europaischen Bereich.
Wahlt man = 0, 05, so erhalt man die sogenannten Warngrenzen.
50
Mittelwertkarte
M
i
t
t
e
l
w
e
r
t
0 2 4 6 8 10
3,7
5,7
7,7
9,7
11,7
CTR = 7,50
UCL = 9,69
LCL = 5,31
Eingriskennlinie
g(). . . G utefunktion an der Stelle .
(Die G utefunktion des Testes gibt an, mit welcher Wahrscheinlichkeit H
0
abgelehnt wird.)
Die G utefunktion wird hier Eingriskennlinie genannt, da eingegrien wird, falls H
0
abge-
lehnt wird.
g() = g
1
() =
_

n z
1

2
_
+
_

n z
1

2
_
mit =
a

Eingriffskennlinie
mu
g
(
m
u
)
9 10 11 12 13 14 15
0
0,2
0,4
0,6
0,8
1
a = 12
alpha = 0,01
Lauange
N : Anzahl der Kontrollen bis zum ersten Eingri
p : Wahrscheinlichkeit des Eingris zu einem festen Zeitpunkt, p = g() = g
1
()
N gen ugt einer geometrischen Verteilung : P(N = k) = p(1 p)
k1
.
EN =
1
p
=
1
g()
=
1
g
1
()
51
5 Varianzanalyse
5.1 einfache Klassikation
Tests auf Lokationsunterschiede von p unabhangigen Stichproben.
1 - te Stichprobe: X
11
, . . . , X
1n
1
mit Erwartungswert
1
,
.
.
.
.
.
.
p - te Stichprobe : X
p1
, . . . , X
pn
p
mit Erwartungswert
p
.
H
0
:
1
=
2
= . . . =
p
H
A
:
i
=
j
f ur mindestens zwei i und j mit i = j
5.1.1 Test bei Normalverteilung
Die Stichproben sind normalverteilt mit unbekannter und gleicher Varianz
2
.
X
ij
N(
i
,
2
) i = 1, . . . , p j = 1, . . . , n
i
.

X
ij
=
i
+
ij
mit
ij
N(0,
2
) i = 1, . . . , p j = 1, . . . , n
i
.
ANOVA-Tafel:
Quelle der Freiheits- Summe der Mittlere
Variation grade Quadrate Quadrate Testgroe
Streuung
zwischen p 1 SSA MSA =
SSA
p1
den Stufen
Streuung in-
nerhalb der N p SSR MSR =
SSR
Np
T =
MSA
MSR
Stufen (Rest)
Gesamt- N 1 SST
streuung
p . . . Anzahl der Stufen eines Faktors
N . . . Anzahl der Messwerte insgesamt, d.h. N =
p

i=1
n
i
kritischer Bereich:
K = {t | t > F
p1;Np;1
}
52
5.1.2 Kruskal-Wallis-Test
Beim Test von Kruskal-Wallis reicht es, dass die Stichproben einer stetigen Verteilung ent-
stammen. Die Normalverteilung wird nicht vorausgesetzt.
p . . . Anzahl der Stufen
n
i
. . . Anzahl der Messwerte in der Stufe i i = 1, . . . , p
N . . . Anzahl der Messwerte insgesamt, d.h. N =
p

i=1
n
i
In der gemeinsamen Stichprobe (alle p Stichproben zusammen) werden die Range bestimmt.
r
ij
. . . Rangzahl der j-ten Beobachtung in der i-ten Stufe j = 1, . . . , n
i
r
i
. . . Summe der Range in der Stufe i
Testgroe:
T =
1
B
_
12
N(N + 1)
p

i=1
1
n
i
r
2
i
3(N + 1)
_
mit
B = 1
1
N
3
N

g

h=1
(t
3
h
t
h
)
g . . . Anzahl der Bindungen
t
h
. . . Anzahl der gleichen Messwerte in der h-ten Bindung h = 1, . . . , g
kritischer Bereich: (Approximativ, Faustregel: n
i
> 5 (f ur p = 3 sollte allerdings mindestens
ein n
i
groer als 8 sein.))
K =
_
t | t >
2
p1;1
_
Sind die p Stichproben nicht unabhangig, sondern verbunden, dann verwende man den
Friedman-Test.
5.2 zweifache Klassikation
Modell mit Wechselwirkung:
X
ijk
= +
i
+
i
+
ij
+
ijk
i = 1, . . . , p; j = 1, . . . , q; k = 1, . . . n
ij
. . . allg. Erwartungswert

i
. . . Eekte der Stufen von A

j
. . . Eekte der Stufen von B

ij
. . . Eekt durch Wechselwirkung von A und B

ijk
. . . zufalliger und normalverteilter Fehler
ijk
N(0,
2
)
53
Die folgenden Hypothesen sollen getestet werden:
H
A
0
:
1
=
2
= . . . =
p
= 0
H
B
0
:
1
=
2
= . . . =
q
= 0
H
AB
0
:
11
= . . . =
pq
= 0
Anova-Tabelle: gleiche Klassenbesetzung - balancierter Fall (d.h. n
ij
= n)
Insgesamt gibt es dann N = p q n Beobachtungen.
Quelle der Freiheits- Summe der Mittlere Testgroe
Variation grade Quadrate Quadrate
Streuung zwi-
schen den p 1 SSA MSA T =
MSA
MSR
Stufen von A
Streuung zwi-
schen den q 1 SSB MSB T =
MSB
MSR
Stufen von B
Wechselwirkung
zwischen (p 1)(q 1) SS(AB) MS(AB) T =
MS(AB)
MSR
A und B
Rest N pq SSR MSR
Gesamt-
streuung N 1 SST
Die Testgroe T ist (unter H
0
) jeweils F-verteilt mit folgenden Freiheitsgraden:
Der erste Freiheitsgrad ist der des Faktors und der zweite der des Restes.
Damit sind die kritischen Bereiche:
K
A
= {t | t > F
p1,Npq;1
}
K
B
= {t | t > F
q1,Npq;1
}
K
AB
= {t | t > F
(p1)(q1),Npq;1
}
Modell ohne Wechselwirkung:
X
ijk
= +
i
+
i
+
ijk
i = 1, . . . , p; j = 1, . . . , q; k = 1, . . . n
ij
(Erklarung der Modellparameter s. Modell mit Wechselwirkungen). Alles, was die Wech-
selwirkungen betrit (Hypothese,..,kritischer Bereich) entfallt damit. Die einzige

Anderung
(in der Anova-Tabelle, im balancierten Fall) zum Modell mit Wechselwirkung ist die Zahl
der Freiheitsgrade f ur

Rest:
N p q + 1.
Das Weitere ist analog zum Modell mit Wechselwirkungen.
54
6 Korrelationsanalyse
6.1 Zwei Merkmale
6.1.1 Gewohnlicher Korrelationskoezient (Bravais-Pearsonscher Korre-
lationskoezient)
(Ma f ur den linearen Zusammenhang zweier Zufallsgroen X und Y .)

X,Y
=
Cov(X, Y )

VarX VarY
=
E(X EX)(Y EY )

VarX VarY
=
EXY EX EY

VarX VarY
Ist
X,Y
= 0, dann heien X und Y unkorreliert.
Dabei gilt:
X und Y sind unabhangig = X und Y sind unkorreliert.
(F ur normalverteilt Zufallsgroen X und Y ist Unkorreliertheit gleich Unabhangigkeit.)
Aus einer Stichprobe (X
1
, Y
1
), . . . (X
n
, Y
n
) erfolgt die Schatzung von
X,Y
durch den
empirischen Korrelationskoezienten r
X,Y
=
X,Y
:
r
X,Y
=
n

i=1
(X
i
X)(Y
i
Y )
_
n

i=1
(X
i
X)
2
n

i=1
(Y
i
Y )
2
Beispiel:
Zwei unkorrelierte Merkmale X und Y , d.h.
X,Y
= 0.
Realisierung einer Stichprobe vom Umfang 25:
Streudiagramm
-2,1 -1,1 -0,1 0,9 1,9
X
-2,5
-1,5
-0,5
0,5
1,5
2,5
3,5
Y
Aus dieser Realsierung erhalt man r
x,y
= 0, 1633.
55
Test auf Unkorreliertheit
H
0
:
X,Y
= 0
Es wird vorausgesetzt, dass der Vektor Z = (X, Y )
T
2-dimensional normalverteilt ist. Dann
ist H
0
gleichbedeutend damit, dass X und Y unabhangig sind.
Testgroe:
T =
r
X,Y
_
1 r
2
X,Y

n 2 T
H
0
t
n2
Je nach Wahl der Alternativhypothese erhalt man den kritischen Bereich (vgl. S. 40).
Beispiel: (vgl. S. 6)
r
x,y
= 0, 9375 (x-Alter und y-Blutdruck)
Test auf Groe von .
H
0
:
X,Y
=
0
Voraussetzung: X und Y sind (zumindest naherungsweise) normalverteilt.
Testgroe:
T = (z z
0
)

n 3 T
H
0
N(0, 1)
mit
z =
1
2
ln
_
1 +r
X,Y
1 r
X,Y
_
und z
0
=
1
2
ln
_
1 +
0
1
0
_
+

0
2(n 1)
.
Je nach Wahl der Alternativhypothese erhalt man den kritischen Bereich (vgl. S. 40).
56
6.1.2 Spearmansche Rangkorrelation
F ur eine Stichprobe (X
1
, Y
1
), (X
2
, Y
2
), . . . , (X
n
, Y
n
) ist die Spearmansche Rangkorrelation:

(S)
X,Y
= 3 (P((X
i
X
j
)(Y
i
Y
k
) > 0) P((X
i
X
j
)(Y
i
Y
k
) < 0)) (i = j = k)
Liegen sowohl in der X-Stichprobe, als auch in der Y -Stichprobe keine Bindungen vor, so
kann man die Spearmansche Rangkorrelation zwischen X und Y leicht schatzen:
r
(S)
X,Y
= 1
6
n

i=1
(R(X
i
) R(Y
i
))
2
n(n
2
1)
R(X
i
) . . . Rang von X
i
in der X-Stichprobe
R(Y
i
) . . . Rang von Y
i
in der Y -Stichprobe
Falls es Bindungen gibt:
r
(S)
X,Y
=
n(n
2
1)
1
2
p
x

j=1
(t
3
j
t
j
)
1
2
p
y

j=1
(s
3
j
s
j
) 6
n

i=1
(R(X
i
) R(Y
i
))
2

n(n
2
1)
p
x

j=1
(t
3
j
t
j
)

n(n
2
1)
p
y

j=1
(s
3
j
s
j
)
p
x
. . . Anzahl der Bindungen in der X-Stichprobe
t
j
. . . Anzahl der gleichen Messwerte in der j-ten Bindung der X-Stichprobe
p
y
. . . Anzahl der Bindungen in der Y -Stichprobe
s
j
. . . Anzahl der gleichen Messwerte in der j-ten Bindung der Y -Stichprobe
Einfacher ist er allerdings, r
(S)
X,Y
als gewohliche Korrelation der Rangzahlen zu bestimmen.
Test auf Unkorreliertheit der Range (Test auf Unabhangigkeit ordinaler Merkmale).
H
0
:
(S)
X,Y
= 0
Der folgende Test ist nur approximativ (groer Stichprobenumfang, Faustregel: n 30).
Testgroe:
T = r
(S)
X,Y

n 1 T
H
0
N(0, 1)
Je nach Wahl der Alternativhypothese erhalt man den kritischen Bereich (vgl. S. 40).
F ur kleine Stichprobenumfange verwende man den exakten Test.
(vgl. Hotelling-Pabst-Statistik)
57
6.1.3 Kendallsche Rangkorrelation (Kendalls )
Die Paare (X
i
, Y
i
) und (X
j
, Y
j
) heien konkordant, falls
(X
i
X
j
)(Y
i
Y
j
) > 0 d.h. X
i
< X
j
= Y
i
< Y
j
oder X
i
> X
j
= Y
i
> Y
j
.
und diskordant, falls
(X
i
X
j
)(Y
i
Y
j
) < 0 d.h. X
i
< X
j
= Y
i
> Y
j
oder X
i
> X
j
= Y
i
< Y
j
.
F ur eine Stichprobe (X
1
, Y
1
), (Y
2
, Y
2
), . . . , (X
n
, Y
n
) ist die Kendallsche Rangkorrelation:

(K)
X,Y
= = P((X
i
X
j
)(Y
i
Y
j
) > 0) P((X
i
X
j
)(Y
i
Y
j
) < 0) (i = j)
Aus der Stichprobe schatzt man die Kendallsche Rangkorrelation wie folgt:
r
(K)
X;Y
= =
n
k
n
d

_
n
2
_

1
2
p
x

j=1
(t
j
1)t
j

_
n
2
_

1
2
p
y

j=1
(s
j
1)s
j
n
k
. . . die Anzahl der konkordanten Paare
n
d
. . . die Anzahl der diskordanten Paare
p
x
. . . Anzahl der Bindungen in der X-Stichprobe
t
j
. . . Anzahl der gleichen Messwerte in der j-ten Bindung der X-Stichprobe
p
y
. . . Anzahl der Bindungen in der Y -Stichprobe
s
j
. . . Anzahl der gleichen Messwerte in der j-ten Bindung der Y -Stichprobe
Liegen keine Bindungen vor, dann vereinfacht sich die Formel zu:
r
(K)
X;Y
= =
n
k
n
d
_
n
2
_ = 1
4n
d
n(n 1)
Man ordne die Stichprobenpaare (X
1
, Y
1
), . . . , (X
n
, Y
n
) so, dass X
1
< X
2
< . . . < X
n
ist.
q
j
. . . Anzahl der auf Y
j
folgenden Werte Y
i
(j < i), die kleiner sind als Y
j
(Y
i
< Y
j
).
Anzahl der diskordanten Paare:
n
d
=
n

j=1
q
j
.
Test, ob Kendalls gleich 0 (Test auf Unabhangigkeit ordinaler Merkmale).
H
0
:
(K)
X,Y
= 0
Der folgende Test ist nur approximativ (groer Stichprobenumfang, Faustregel: n 8).
Testgroe:
T =

9n(n 1)
2(2n + 5)
T
H
0
N(0, 1)
Je nach Wahl der Alternativhypothese erhalt man den kritischen Bereich (vgl. S. 40).
58
6.2 p > 2 Merkmale
6.2.1 Partieller Korrelationskoezient
Eine Korrelation zwischen zwei Zufallsgroen X und Y kann moglicherweise auf einen
gemeinsamen Einuss einer dritten Zufallsgroe U zur uckgef uhrt werden. Die partielle Ko-
relation ist die Korrelation zwischen X und Y unter Ausschaltung des Einusses (d.h.
Konstanthaltung) von U.
(empirischer) Partieller Korrelationskoezient:
r
X,Y |U
=
r
X,Y
r
X,U
r
Y,U
_
(1 r
2
X,U
) (1 r
2
Y,U
)
Test auf partielle Unkorreliertheit
H
0
:
X,Y |U
= 0
Es wird vorausgesetzt, dass X, Y und U normalverteilt sind.
Testgroe:
T =
r
X,Y |U
_
1 r
2
X,Y |U

n 3 T
H
0
t
n3
Je nach Wahl der Alternativhypothese erhalt man den kritischen Bereich (vgl. S. 40).
6.2.2 Multipler Korrelationskoezient
Betragmaig grote Korrelation zwischen einer Zufallsgroe Y und einer Linearkombi-
nation der restlichen Zufallsgroen X
1
, . . . , X
p
.
(empirischer) Multipler Korrelationskoezient f ur p = 2:
r
Y |(X
1
,X
2
)
=

_
r
2
Y,X
1
+r
2
Y,X
2
2 r
Y,X
1
r
Y,X
2
r
X
1
,X
2
1 r
2
X
1
,X
2
Test auf Unkorreliertheit zwischen Y und einer Linearkombination von X
1
, . . . , X
p
.
H
0
:
Y |(X
1
,...,X
p
)
= 0 gegen H
A
:
Y |(X
1
,...,X
p
)
> 0
Es wird vorausgesetzt, dass Y und X
1
, . . . , X
p
normalverteilt sind.
Testgroe:
T =
r
2
Y |(X
1
,...,X
p
)
(n 1 p)
p (1 r
2
Y |(X
1
,...,X
p
)
)
T
H
0
F
p,np1
kritischer Bereich:
K = {t | t > F
p,np1;1
}
59
7 Regressionsanalyse
7.1 Lineare Regressionsanalyse
7.1.1 Einfache lineare Regression
Modell
Y = a +bx +
Es gibt einen linearen Zusammenhang zwischen x und Y , welcher durch einen zufalli-
gen Fehler uberlagert wird.
Y . . . abhangige Variable, Wirkungsgroe, Regressand
x . . . unabhangige Variable, Einussgroe, Regressor
. . . zufalliger Fehler
F ur Tests und Kondenzschatzung wird die Normalverteilung vorausgesetzt: N(0,
2
).
Bestimmung von Schatzwerten f ur a und b, aus der Stichprobe (Beobachtungswerte)
((x
1
, y
1
), . . . , (x
n
, y
n
)), nach der Methode der kleinsten Quadrate :
n

i=1
(y
i
a bx
i
)
2
min
a,b
Losung:

b =
n

i=1
(x
i
x)(y
i
y)
n

i=1
(x
i
x)
2
a = y

bx
y(x) = a +

bx - geschatzte Regressionsgerade (

Ausgleichsgerade)
Beispiel (vgl. S. 6) (x
1
, y
1
) = (47, 129), . . . , (x
15
, y
15
) = (63, 157)
Blutdruck = 77,3634 + 1,20645*Alter
30 40 50 60 70
Alter
110
120
130
140
150
160
B
l
u
t
d
r
u
c
k
60
Streuungszerlegung: SST = SSE +SSR
SST =
n

i=1
(y
i
y)
2
. . . Totalvarianz (der beobachteten Werte y
i
)
SSE =
n

i=1
( y
i
y)
2
. . . durch Regression erklarte Varianz (Varianz der geschatzten
Werte y
i
)
SSR =
n

i=1
(y
i
y
i
)
2
. . . Restvarianz
Schatzung der Fehlervarianz
2
(
2
= Var())

2
= s
2
Rest
=
1
n 2
SSR
Bestimmtheitsma:
B =
SSE
SST
= 1
SSR
SST
= r
2
x y
(Bei der einfachen linearen Regression ist das Bestimmtheitsma identisch mit dem
Quadrat der Korrelation der beiden Merkmale.)
Beispiel:
Einfache Regression - Blutdruck gegen Alter
Abhngige Variable: Blutdruck
Unabhngige Variable: Alter
Lineares Modell: Y = a + b*X
Koeffizienten
Kleinste Quadrate Standard t
Parameter Schtzwert Fehler Statistik p-Wert
Abs.-Glied 77,3634 5,97278 12,9527 0,0000
Anstieg 1,20645 0,124208 9,71312 0,0000
Varianzanalyse
Ursache Quadratsummen FG Mittl.Quadr. F-Quotient p-Wert
Modell 2256,06 1 2256,06 94,34 0,0000
Residuum 310,869 13 23,913
Total (Korr.) 2566,93 14
Korrelationskoeffizient = 0,937494
R = 87,8895 Prozent
Standardfehler der Schtzung = 4,89009
SST = 2566, 93; SSE = 2256, 06 und SSR = 310, 869.

2
= s
2
Rest
=
1
13
310, 869 = 23, 913 = s
Rest
= 4, 89.
B =
2256,06
2566,93
= 0, 87889
Tests (t-Tests) f ur die einzelnen Parameter:
H
0
: a = 0 gegen H
A
: a = 0
(im Bsp.: a = 77, 3634 und p = 0, 0000 < 0, 05 = = H
0
wird abgelehnt.)
H
0
: b = 0 gegen H
A
: b = 0
(im Bsp.:

b = 1, 20645 und p = 0, 0000 < 0, 05 = = H
0
wird abgelehnt.)
61
Test (F-Test) f ur das Modell (Varianzanalyse):
H
0
: b = 0 gegen H
A
: b = 0
(im Bsp.: p = 0, 0000 < 0, 05 = = H
0
wird abgelehnt.)
Kondenzinterval f ur die Regressionsgerade an der Stelle x, d.h. f ur EY (x) = a+bx:
[ y(x)d; y(x)+d] mit d = s
Rest
t
n2;1

_
1
n
+
(x x)
2
n

i=1
(x
i
x)
2
(Kondenzniveau:1).
Beispiel:
( = 0, 05)
Blutdruck = 77,3634 + 1,20645*Alter
30 40 50 60 70
Alter
110
120
130
140
150
160
B
l
u
t
d
r
u
c
k
Prognoseintervall f ur Y an der Stelle x, d.h. f ur Y (x) = a +bx +:
[ y(x) d ; y(x) +d] mit d = s
Rest
t
n2;1

_
1 +
1
n
+
(x x)
2
n

i=1
(x
i
x)
2
(Kondenzniveau: 1 ).
Beispiel:
( = 0, 05)
Blutdruck = 77,3634 + 1,20645*Alter
30 40 50 60 70
Alter
110
120
130
140
150
160
B
l
u
t
d
r
u
c
k
62
Residuen:
i
= y
i
y
i
i = 1, . . . , n.
Residuen-Diagramm
Blutdruck = 77,3634 + 1,20645*Alter
30 40 50 60 70
Alter
-10
-6
-2
2
6
10
R
e
s
i
d
u
e
n
Studentisierte Residuen: Man bestimmt die Dierenz zwischen y
i
und dem angepassten Wert, der sich
ergibt, wenn man die i-te Beobachtung zur Schatzung der Regressionsfunktion nicht verwendet. Diese
Dierenz wird noch geeignet standardisiert, und man erhalt das i-te studentisierte Residuum.
Residuen-Diagramm
Blutdruck = 77,3634 + 1,20645*Alter
30 40 50 60 70
Alter
-2,5
-1,5
-0,5
0,5
1,5
2,5
S
t
u
d
e
n
t
i
s
i
e
r
t
e

R
e
s
i
d
u
e
n
63
7.1.2 Multiple(parameter-) lineare Regression
Modellierung der Abhangigkeit einer Wirkungsgroe Y von mehreren Einussgroen x
1
, . . . , x
k
Modell
Y (x) = a
1
f
1
(x) +a
2
f
2
(x) +. . . +a
r
f
r
(x) +
Y . . . Wirkungsgroe
x = (x
1
, . . . , x
k
)
T
. . . Vektor der Einussgroen
f
1
, . . . , f
r
. . . r - (bekannte, d.h. im Modell vorgegebene) Funktion
a
1
, . . . , a
r
. . . r - unbekannte Parameter
. . . zufalliger Fehler
F ur Tests und Kondenzschatzung wird die Normalverteilung vorausgesetzt: N(0,
2
).
Die Schatzung der r unbekannten Parameter erfolgt nach der Methode der kleinsten Quadrate.
a = (F
T
F)
1
F
T
y
Dabei sind a = (a
1
, . . . , a
r
)
T
, y = (y
1
, . . . , y
n
) und F =
_
_
_
f
1
(x
1
) . . . f
k
(x
1
)
.
.
.
.
.
.
.
.
.
f
1
(x
n
) . . . f
k
(x
n
)
_
_
_.
Damit ist die geschatzte Regressionsfunktion:
y(x) = a
1
f
1
(x) +. . . + a
r
f
r
(x)
Das Modell der einfachen linearen Regression ist ein Spezialfall der multiplen parameterlinearen Re-
gression (r = 2). Fast alles Weitere ist analog zur einfachen linearen Regression.
Schatzung der Fehlervarianz
2
(
2
= Var())

2
= s
2
Rest
=
1
n r
SSR
F ur die Durchf uhrung der Regressionsanalyse, und damit auch der folgenden moglichen Tests, nutze
man ein Statistik-Software-Programm (z.B. Statgraphics, SPSS, R,. . . ).
Tests (t-Tests) f ur die einzelnen Parameter:
H
0
: a
i
= 0
Testgroe:
T =
a
i
_
s
2
Rest
m
i
H
0
t
nr
mit m
i
: i-tes Diagonal-Element von (F
T
F)
1
Test (F-Test) f ur das Modell (Varianzanalyse):
(Dabei sei f
1
(x) = 1, d.h. a
1
ist die Konstante im Modell).
H
0
: a
2
= . . . = a
r
= 0 gegen H
A
: es gibt mindestens ein i > 1 mit a
i
= 0
Testgroe:
T =
MSE
MSR
H
0
F
r1,nr
64
7.2 Regression mit qualitativen Merkmalen
Y . . . qualitative Wirkgroe (nimmt nur zwei Werte an: Y {0, 1}
x
1
, . . . , x
k
. . . Einussgroen
Aufgabenstellung: Wie gro ist die Wahrscheinlichkeit daf ur, dass Y = 1 ist, in Abhangigkeit vom
Wert der Einussgroen x
1
, . . . , x
k
.
Modelle f ur diese Wahrscheinlichkeit
p(x) := P(Y = 1 | X = x)
werden betrachtet.
Modell
p(x) = F(x) mit x =
r

j=1
a
j
f
j
(x)
F . . . eine Verteilungsfunktion
Die Parameter a
1
,. . . ,a
r
werden aus den Daten geschatzt.
Damit erhalt man:
p(x) = F
_
_
r

j=1
a
j
f
j
(x)
_
_
7.2.1 Logit-Modell
Verteilungsfunktion der logistischen Verteilung (mit = 0 und = 1):
F(x) =
1
1 +e
x
.
7.2.2 Probit-Modell
Verteilungsfunktion der Standardnormalverteilung:
F(x) = (x).
Verteilungsfunktionen
-8 -6 -4 -2 0 2 4 6 8
x
0
0,2
0,4
0,6
0,8
1
N(0,1)
Logi(0,1)
N(0,1)
-8 -4 0 4 8
x
0
0,1
0,2
0,3
0,4
Dichtefunktionen
Logi(0,1)
65
Q
u
a
n
t
i
l
e

w
n
1
,
n
2

;

u

d
e
r

W
i
l
c
o
x
o
n

R
a
n
g
s
u
m
m
e
n

T
e
s
t
s
t
a
t
i
s
t
i
k

u
=

w
n
1
,
n
2

;

1
-
u
=
n
1
(
n
1
+
n
2
+
1
)
-

w
n
1
,
n
2

;

u

n

2
\

n
1

1
0

1
1

1
2

1
3

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

1
9
0
2
1
0
2
3
1
2
5
3
2
7
6

3
0
0

3
2
5

4
5
5
5
6
6
7
9
9
2

1
0
6
1
2
2
1
3
8
1
5
5
1
7
3
1
9
3
2
1
3
2
3
4
2
5
7
2
8
0

3
0
4

3
3
0

2
1
2
8
3
7
4
6
5
7
6
8
8
1
9
4

1
0
9
1
2
5
1
4
1
1
5
9
1
7
7
1
9
7
2
1
8
2
3
9
2
6
2
2
8
5

3
1
0

3
3
5

1
5

2
2
2
9
3
8
4
8
5
9
7
1
8
4
9
8

1
1
2
1
2
8
1
4
5
1
6
3
1
8
2
2
0
2
2
2
3
2
4
5
2
6
7
2
9
1

3
1
6

3
4
2

1
0

1
6

2
3
3
1
4
0
5
0
6
1
7
3
8
7
1
0
1

1
1
6
1
3
2
1
4
9
1
6
8
1
8
7
2
0
7
2
2
8
2
5
0
2
7
4
2
9
8

3
2
3

3
4
9

1
0

1
6

2
4
3
2
4
2
5
2
6
4
7
6
9
0
1
0
4

1
2
0
1
3
6
1
5
4
1
7
2
1
9
2
2
1
2
2
3
4
2
5
6
2
8
0
3
0
5

3
3
0

3
5
7

1
1

1
7

2
5
3
4
4
3
5
4
6
6
7
9
9
3
1
0
8

1
2
3
1
4
0
1
5
8
1
7
7
1
9
7
2
1
8
2
4
0
2
6
3
2
8
7
3
1
1

3
3
7

3
6
4

1
1

1
8

2
6
3
5
4
5
5
6
6
8
8
2
9
6
1
1
1

1
2
7
1
4
4
1
6
3
1
8
2
2
0
2
2
2
3
2
4
6
2
6
9
2
9
3
3
1
9

3
4
5

3
7
2

1
0

1
2

1
9

2
7
3
7
4
7
5
8
7
1
8
4
9
9
1
1
5

1
3
1
1
4
9
1
6
7
1
8
7
2
0
8
2
2
9
2
5
2
2
7
5
3
0
0
3
2
6

3
5
2

3
8
0

1
1

1
2

2
0

2
8
3
8
4
9
6
1
7
3
8
7
1
0
2
1
1
8

1
3
5
1
5
3
1
7
2
1
9
2
2
1
3
2
3
5
2
5
8
2
8
2
3
0
7
3
3
3

3
6
0

3
8
8

1
2

1
3

2
1

3
0
4
0
5
1
6
3
7
6
9
0
1
0
5
1
2
2

1
3
9
1
5
7
1
7
7
1
9
7
2
1
8
2
4
1
2
6
4
2
8
9
3
1
4
3
4
0

3
6
8

3
9
6

1
3

1
3

2
2

3
1
4
1
5
3
6
5
7
9
9
3
1
0
9
1
2
5

1
4
3
1
6
2
1
8
1
2
0
2
2
2
4
2
4
7
2
7
0
2
9
5
3
2
1
3
4
8

3
7
5

4
0
4

1
4

1
4

2
2

3
2
4
3
5
4
6
7
8
1
9
6
1
1
2
1
2
9

1
4
7
1
6
6
1
8
6
2
0
7
2
2
9
2
5
3
2
7
7
3
0
2
3
2
8
3
5
5

3
8
3

4
1
2

1
5

1
5

2
3

3
3
4
4
5
6
6
9
8
4
9
9
1
1
5
1
3
3

1
5
1
1
7
1
1
9
1
2
1
3
2
3
5
2
5
9
2
8
3
3
0
9
3
3
5
3
6
3

3
9
1

4
2
1

1
6

1
5

2
4

3
4
4
6
5
8
7
2
8
6
1
0
2
1
1
9
1
3
6

1
5
5
1
7
5
1
9
6
2
1
8
2
4
1
2
6
4
2
8
9
3
1
5
3
4
2
3
7
0

3
9
9

4
2
9

1
7

1
6

2
5

3
6
4
7
6
0
7
4
8
9
1
0
5
1
2
2
1
4
0

1
5
9
1
8
0
2
0
1
2
2
3
2
4
6
2
7
1
2
9
6
3
2
2
3
4
9
3
7
8

4
0
7

4
3
7

1
8

1
6

2
6

3
7
4
9
6
2
7
6
9
2
1
0
8
1
2
5
1
4
4

1
6
3
1
8
4
2
0
6
2
2
8
2
5
2
2
7
7
3
0
2
3
2
9
3
5
7
3
8
5

4
1
5

4
4
6

1
9

3
9

1
7

2
7

3
8
5
0
6
4
7
8
9
4
1
1
1
1
2
9
1
4
8

1
6
8
1
8
9
2
1
0
2
3
4
2
5
8
2
8
3
3
0
9
3
3
6
3
6
4
3
9
3

4
2
3

4
5
4

2
0

3
9

1
8

2
8

3
9
5
2
6
6
8
1
9
7
1
1
4
1
3
2
1
5
1

1
7
2
1
9
3
2
1
5
2
3
9
2
6
3
2
8
9
3
1
5
3
4
3
3
7
1
4
0
1

4
3
1

4
6
3

2
1

3
9

1
8

2
9

4
0
5
3
6
8
8
3
9
9
1
1
7
1
3
6
1
5
5

1
7
6
1
9
8
2
2
0
2
4
4
2
6
9
2
9
5
3
2
2
3
4
9
3
7
8
4
0
8

4
3
9

4
7
1

2
2

3
1
0

1
9

2
9

4
2
5
5
7
0
8
5
1
0
2
1
2
0
1
3
9
1
5
9

1
8
0
2
0
2
2
2
5
2
4
9
2
7
5
3
0
1
3
2
8
3
5
6
3
8
6
4
1
6

4
4
7

4
8
0

2
3

3
1
0

1
9

3
0

4
3
5
7
7
1
8
8
1
0
5
1
2
3
1
4
2
1
6
3

1
8
4
2
0
7
2
3
0
2
5
5
2
8
0
3
0
7
3
3
5
3
6
3
3
9
3
4
2
4

4
5
5

4
8
8

2
4

3
1
0

2
0

3
1

4
4
5
8
7
3
9
0
1
0
7
1
2
6
1
4
6
1
6
6

1
8
8
2
1
1
2
3
5
2
6
0
2
8
6
3
1
3
3
4
1
3
7
0
4
0
0
4
3
1

4
6
4

4
9
7

2
5

3
1
1

2
0

3
2

4
5
6
0
7
5
9
2
1
1
0
1
2
9
1
4
9
1
7
0

1
9
2
2
1
6
2
4
0
2
6
5
2
9
2
3
1
9
3
4
8
3
7
7
4
0
8
4
3
9

4
7
2

5
0
5

Anhang
Q
u
a
n
t
i
l
e

w
n
1
,
n
2

;

u
d
e
r

W
i
l
c
o
x
o
n

R
a
n
g
s
u
m
m
e
n

T
e
s
t
s
t
a
t
i
s
t
i
k

u
=

w
n
1
,
n
2

;

1
-
u
=
n
1
(
n
1
+
n
2
+
1
)
-

w
n
1
,
n
2

;

u

n

2
\

n
1

1
0

1
1

1
2

1
3

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

1
5
3
1
7
1
1
9
0
2
1
0
2
3
2
2
5
4
2
7
7

3
0
1

3
2
6

5
5
6
6
7
8
9
2

1
0
6
1
2
1
1
3
8
1
5
5
1
7
4
1
9
3
2
1
3
2
3
5
2
5
7
2
8
0

3
0
5

3
3
0

3
6
4
6
5
6
6
8
8
0
9
4

1
0
8
1
2
4
1
4
1
1
5
8
1
7
7
1
9
7
2
1
7
2
3
9
2
6
1
2
8
5

3
1
0

3
3
5

2
8
3
7
4
7
5
8
7
0
8
2
9
6

1
1
1
1
2
7
1
4
4
1
6
2
1
8
1
2
0
1
2
2
2
2
4
3
2
6
6
2
9
0

3
1
5

3
4
1

2
1
2
9
3
8
4
8
6
0
7
2
8
5
9
9

1
1
4
1
3
0
1
4
7
1
6
6
1
8
5
2
0
5
2
2
6
2
4
9
2
7
2
2
9
6

3
2
1

3
4
7

1
5

2
2
3
0
4
0
5
0
6
1
7
4
8
7
1
0
2

1
1
7
1
3
4
1
5
1
1
7
0
1
8
9
2
1
0
2
3
1
2
5
4
2
7
7
3
0
2

3
2
7

3
5
4

1
6

2
3
3
1
4
1
5
2
6
3
7
6
9
0
1
0
5

1
2
0
1
3
7
1
5
5
1
7
4
1
9
4
2
1
5
2
3
6
2
5
9
2
8
3
3
0
8

3
3
4

3
6
1

1
0

1
0

1
6

2
4
3
3
4
2
5
3
6
5
7
8
9
2
1
0
8

1
2
4
1
4
1
1
5
9
1
7
8
1
9
8
2
1
9
2
4
2
2
6
5
2
8
9
3
1
4

3
4
0

3
6
8

1
1

1
0

1
7

2
5
3
4
4
4
5
5
6
7
8
1
9
5
1
1
1

1
2
7
1
4
4
1
6
3
1
8
2
2
0
3
2
2
4
2
4
7
2
7
1
2
9
5
3
2
1

3
4
7

3
7
5

1
2

1
0

1
7

2
5
3
5
4
5
5
7
6
9
8
3
9
8
1
1
4

1
3
0
1
4
8
1
6
7
1
8
7
2
0
8
2
3
0
2
5
2
2
7
6
3
0
1
3
2
7

3
5
4

3
8
2

1
3

1
1

1
8

2
6
3
6
4
7
5
9
7
2
8
6
1
0
1
1
1
7

1
3
4
1
5
2
1
7
1
1
9
1
2
1
3
2
3
5
2
5
8
2
8
2
3
0
7
3
3
4

3
6
1

3
8
9

1
4

1
1

1
8

2
7
3
7
4
8
6
0
7
4
8
8
1
0
3
1
2
0

1
3
7
1
5
6
1
7
5
1
9
6
2
1
7
2
4
0
2
6
4
2
8
8
3
1
4
3
4
0

3
6
8

3
9
7

1
5

1
1

1
9

2
8
3
8
5
0
6
2
7
6
9
0
1
0
6
1
2
3

1
4
1
1
6
0
1
7
9
2
0
0
2
2
2
2
4
5
2
6
9
2
9
4
3
2
0
3
4
7

3
7
5

4
0
4

1
6

1
2

2
0

2
9
3
9
5
1
6
4
7
8
9
3
1
0
9
1
2
6

1
4
4
1
6
3
1
8
4
2
0
5
2
2
7
2
5
0
2
7
5
3
0
0
3
2
6
3
5
4

3
8
2

4
1
1

1
7

1
2

2
0

3
0
4
1
5
3
6
6
8
0
9
5
1
1
2
1
2
9

1
4
8
1
6
7
1
8
8
2
1
0
2
3
2
2
5
6
2
8
0
3
0
6
3
3
3
3
6
1

3
8
9

4
1
9

1
8

1
3

2
1

3
1
4
2
5
4
6
8
8
2
9
8
1
1
5
1
3
3

1
5
1
1
7
1
1
9
2
2
1
4
2
3
7
2
6
1
2
8
6
3
1
2
3
3
9
3
6
7

3
9
6

4
2
7

1
9

1
3

2
2

3
2
4
3
5
6
7
0
8
4
1
0
0
1
1
8
1
3
6

1
5
5
1
7
5
1
9
6
2
1
9
2
4
2
2
6
7
2
9
2
3
1
8
3
4
6
3
7
4

4
0
4

4
3
4

2
0

1
3

2
2

3
3
4
4
5
7
7
1
8
7
1
0
3
1
2
0
1
3
9

1
5
9
1
7
9
2
0
1
2
2
3
2
4
7
2
7
2
2
9
8
3
2
5
3
5
2
3
8
1

4
1
1

4
4
2

2
1

1
4

2
3

3
3
4
6
5
9
7
3
8
9
1
0
6
1
2
3
1
4
2

1
6
2
1
8
3
2
0
5
2
2
8
2
5
2
2
7
7
3
0
4
3
3
1
3
5
9
3
8
8

4
1
8

4
5
0

2
2

1
4

2
3

3
4
4
7
6
0
7
5
9
1
1
0
8
1
2
6
1
4
5

1
6
6
1
8
7
2
0
9
2
3
3
2
5
7
2
8
3
3
0
9
3
3
7
3
6
5
3
9
5

4
2
6

4
5
7

2
3

1
4

2
4

3
5
4
8
6
2
7
7
9
3
1
1
1
1
2
9
1
4
9

1
6
9
1
9
1
2
1
4
2
3
8
2
6
2
2
8
8
3
1
5
3
4
3
3
7
2
4
0
2

4
3
3

4
6
5

2
4

1
5

2
5

3
6
4
9
6
3
7
9
9
5
1
1
3
1
3
2
1
5
2

1
7
3
1
9
5
2
1
8
2
4
2
2
6
7
2
9
4
3
2
1
3
4
9
3
7
9
4
0
9

4
4
0

4
7
3

2
5

1
5

2
5

3
7
5
0
6
5
8
1
9
8
1
1
6
1
3
5
1
5
5

1
7
7
1
9
9
2
2
2
2
4
7
2
7
3
2
9
9
3
2
7
3
5
6
3
8
5
4
1
6

4
4
8

4
8
0

Q
u
a
n
t
i
l
e

w
n
1
,
n
2

;

u

d
e
r

W
i
l
c
o
x
o
n

R
a
n
g
s
u
m
m
e
n

T
e
s
t
s
t
a
t
i
s
t
i
k

u
=

2
5

w
n
1
,
n
2

;

1
-
u
=
n
1
(
n
1
+
n
2
+
1
)
-

w
n
1
,
n
2

;

u

n

2
\

n
1

1
0

1
1

1
2

1
3

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

3
6
4
5
5
5
6
6
7
9
9
2

1
0
6
1
2
1
1
3
7
1
5
5
1
7
3
1
9
2
2
1
2
2
3
4
2
5
6
2
7
9

3
0
3

3
2
8

1
5

2
2
2
9
3
8
4
7
5
8
6
9
8
2
9
5

1
1
0
1
2
5
1
4
2
1
5
9
1
7
8
1
9
7
2
1
8
2
3
9
2
6
2
2
8
5

3
1
0

3
3
5

1
0

1
6

2
3
3
1
4
0
4
9
6
0
7
2
8
5
9
9

1
1
4
1
3
0
1
4
7
1
6
4
1
8
3
2
0
3
2
2
4
2
4
6
2
6
9
2
9
3

3
1
7

3
4
3

1
1

1
7

2
4
3
3
4
2
5
2
6
3
7
5
8
9
1
0
3

1
1
8
1
3
4
1
5
1
1
7
0
1
8
9
2
0
9
2
3
0
2
5
3
2
7
6
3
0
0

3
2
5

3
5
2

1
2

1
8

2
6
3
4
4
4
5
5
6
6
7
9
9
2
1
0
7

1
2
2
1
3
9
1
5
7
1
7
5
1
9
5
2
1
5
2
3
7
2
6
0
2
8
3
3
0
8

3
3
3

3
6
0

1
3

2
0

2
7
3
6
4
6
5
7
6
9
8
2
9
6
1
1
1

1
2
7
1
4
4
1
6
2
1
8
1
2
0
1
2
2
2
2
4
4
2
6
7
2
9
1
3
1
6

3
4
2

3
6
9

3
8

1
4

2
1

2
9
3
8
4
9
6
0
7
2
8
5
1
0
0
1
1
5

1
3
1
1
4
9
1
6
7
1
8
7
2
0
7
2
2
8
2
5
1
2
7
4
2
9
8
3
2
4

3
5
0

3
7
8

3
8

1
4

2
2

3
1
4
0
5
1
6
2
7
5
8
9
1
0
4
1
1
9

1
3
6
1
5
4
1
7
3
1
9
2
2
1
3
2
3
5
2
5
8
2
8
1
3
0
6
3
3
2

3
5
9

3
8
7

1
0

3
9

1
5

2
3

3
2
4
2
5
3
6
5
7
8
9
2
1
0
7
1
2
4

1
4
1
1
5
9
1
7
8
1
9
8
2
1
9
2
4
2
2
6
5
2
8
9
3
1
4
3
4
0

3
6
7

3
9
6

1
1

3
9

1
6

2
4

3
4
4
4
5
5
6
8
8
1
9
6
1
1
1
1
2
8

1
4
5
1
6
4
1
8
3
2
0
4
2
2
6
2
4
8
2
7
2
2
9
6
3
2
2
3
4
9

3
7
6

4
0
5

1
2

4
1
0

1
7

2
6

3
5
4
6
5
8
7
1
8
4
9
9
1
1
5
1
3
2

1
5
0
1
6
9
1
8
9
2
1
0
2
3
2
2
5
5
2
7
9
3
0
4
3
3
0
3
5
7

3
8
5

4
1
4

1
3

4
1
0

1
8

2
7

3
7
4
8
6
0
7
3
8
8
1
0
3
1
1
9
1
3
6

1
5
5
1
7
4
1
9
5
2
1
6
2
3
8
2
6
2
2
8
6
3
1
1
3
3
8
3
6
5

3
9
4

4
2
3

1
4

4
1
1

1
9

2
8

3
8
5
0
6
2
7
6
9
1
1
0
6
1
2
3
1
4
1

1
6
0
1
7
9
2
0
0
2
2
2
2
4
5
2
6
8
2
9
3
3
1
9
3
4
6
3
7
4

4
0
2

4
3
2

1
5

4
1
1

2
0

2
9

4
0
5
2
6
5
7
9
9
4
1
1
0
1
2
7
1
4
5

1
6
4
1
8
4
2
0
6
2
2
8
2
5
1
2
7
5
3
0
0
3
2
7
3
5
4
3
8
2

4
1
1

4
4
2

1
6

4
1
2

2
1

3
0

4
2
5
4
6
7
8
2
9
7
1
1
3
1
3
1
1
5
0

1
6
9
1
9
0
2
1
1
2
3
4
2
5
7
2
8
2
3
0
8
3
3
4
3
6
2
3
9
1

4
2
0

4
5
1

1
7

5
1
2

2
1

3
2

4
3
5
6
7
0
8
4
1
0
0
1
1
7
1
3
5
1
5
4

1
7
4
1
9
5
2
1
7
2
4
0
2
6
4
2
8
9
3
1
5
3
4
2
3
7
0
3
9
9

4
2
9

4
6
0

1
8

5
1
3

2
2

3
3

4
5
5
8
7
2
8
7
1
0
3
1
2
1
1
3
9
1
5
8

1
7
9
2
0
0
2
2
2
2
4
6
2
7
0
2
9
6
3
2
2
3
5
0
3
7
8
4
0
8

4
3
8

4
7
0

1
9

5
1
3

2
3

3
4

4
6
6
0
7
4
9
0
1
0
7
1
2
4
1
4
3
1
6
3

1
8
3
2
0
5
2
2
8
2
5
2
2
7
7
3
0
3
3
2
9
3
5
7
3
8
6
4
1
6

4
4
7

4
7
9

2
0

5
1
4

2
4

3
5

4
8
6
2
7
7
9
3
1
1
0
1
2
8
1
4
7
1
6
7

1
8
8
2
1
0
2
3
4
2
5
8
2
8
3
3
0
9
3
3
7
3
6
5
3
9
4
4
2
5

4
5
6

4
8
8

2
1

6
1
4

2
5

3
7

5
0
6
4
7
9
9
5
1
1
3
1
3
1
1
5
1
1
7
1

1
9
3
2
1
6
2
3
9
2
6
4
2
9
0
3
1
6
3
4
4
3
7
3
4
0
3
4
3
3

4
6
5

4
9
8

2
2

6
1
5

2
6

3
8

5
1
6
6
8
1
9
8
1
1
6
1
3
5
1
5
5
1
7
6

1
9
8
2
2
1
2
4
5
2
7
0
2
9
6
3
2
3
3
5
1
3
8
1
4
1
1
4
4
2

4
7
4

5
0
7

2
3

6
1
5

2
7

3
9

5
3
6
8
8
4
1
0
1
1
1
9
1
3
9
1
5
9
1
8
0

2
0
3
2
2
6
2
5
1
2
7
6
3
0
3
3
3
0
3
5
9
3
8
8
4
1
9
4
5
1

4
8
3

5
1
7

2
4

6
1
6

2
7

4
0

5
4
7
0
8
6
1
0
4
1
2
2
1
4
2
1
6
3
1
8
5

2
0
7
2
3
1
2
5
6
2
8
2
3
0
9
3
3
7
3
6
6
3
9
6
4
2
7
4
5
9

4
9
2

5
2
6

2
5

6
1
6

2
8

4
2

5
6
7
2
8
9
1
0
7
1
2
6
1
4
6
1
6
7
1
8
9

2
1
2
2
3
7
2
6
2
2
8
8
3
1
6
3
4
4
3
7
3
4
0
4
4
3
5
4
6
8

5
0
1

5
3
6

Q
u
a
n
t
i
l
e

w
n
1
,
n
2

;

u

d
e
r

W
i
l
c
o
x
o
n

R
a
n
g
s
u
m
m
e
n

T
e
s
t
s
t
a
t
i
s
t
i
k

u
=

w
n
1
,
n
2

;

1
-
u
=
n
1
(
n
1
+
n
2
+
1
)
-

w
n
1
,
n
2

;

u

n

2
\

n
1

1
0

1
1

1
2

1
3

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

2
1
0
2
3
1
2
5
3
2
7
6

3
0
0

3
2
5

1
5

2
1
2
8
3
7
4
6
5
6
6
7
8
0
9
3

1
0
7
1
2
3
1
3
9
1
5
6
1
7
5
1
9
4
2
1
4
2
3
6
2
5
8
2
8
1

3
0
6

3
3
1

1
0

1
6

2
3
3
0
3
9
4
8
5
9
7
1
8
3
9
7

1
1
2
1
2
7
1
4
4
1
6
2
1
8
0
2
0
0
2
2
1
2
4
2
2
6
5
2
8
9

3
1
3

3
3
9

1
1

1
7

2
4
3
2
4
1
5
1
6
2
7
4
8
7
1
0
1

1
1
6
1
3
2
1
5
0
1
6
8
1
8
7
2
0
7
2
2
8
2
5
0
2
7
3
2
9
7

3
2
2

3
4
8

3
7

1
2

1
9

2
6
3
4
4
4
5
4
6
6
7
8
9
1
1
0
6

1
2
1
1
3
8
1
5
5
1
7
3
1
9
3
2
1
3
2
3
5
2
5
7
2
8
1
3
0
5

3
3
0

3
5
7

3
8

1
3

2
0

2
8
3
6
4
6
5
7
6
9
8
2
9
5
1
1
0

1
2
6
1
4
3
1
6
1
1
7
9
1
9
9
2
2
0
2
4
2
2
6
5
2
8
9
3
1
3

3
3
9

3
6
6

3
8

1
4

2
1

2
9
3
9
4
9
6
0
7
2
8
5
9
9
1
1
5

1
3
1
1
4
8
1
6
6
1
8
6
2
0
6
2
2
7
2
4
9
2
7
2
2
9
7
3
2
2

3
4
8

3
7
5

4
9

1
5

2
3

3
1
4
1
5
1
6
3
7
5
8
9
1
0
4
1
1
9

1
3
6
1
5
3
1
7
2
1
9
2
2
1
2
2
3
4
2
5
7
2
8
0
3
0
5
3
3
0

3
5
7

3
8
5

4
9

1
6

2
4

3
3
4
3
5
4
6
6
7
9
9
3
1
0
8
1
2
4

1
4
1
1
5
9
1
7
8
1
9
8
2
1
9
2
4
1
2
6
4
2
8
8
3
1
3
3
3
9

3
6
6

3
9
4

1
0

4
1
0

1
7

2
6

3
5
4
5
5
6
6
9
8
2
9
7
1
1
2
1
2
8

1
4
6
1
6
4
1
8
4
2
0
4
2
2
6
2
4
8
2
7
2
2
9
6
3
2
1
3
4
8

3
7
5

4
0
4

1
1

4
1
1

1
8

2
7

3
7
4
7
5
9
7
2
8
6
1
0
0
1
1
6
1
3
3

1
5
1
1
7
0
1
9
0
2
1
0
2
3
2
2
5
5
2
7
9
3
0
4
3
3
0
3
5
7

3
8
5

4
1
4

1
2

5
1
1

1
9

2
8

3
8
4
9
6
2
7
5
8
9
1
0
4
1
2
0
1
3
8

1
5
6
1
7
5
1
9
6
2
1
7
2
3
9
2
6
2
2
8
7
3
1
2
3
3
8
3
6
6

3
9
4

4
2
3

1
3

5
1
2

2
0

3
0

4
0
5
2
6
4
7
8
9
2
1
0
8
1
2
5
1
4
2

1
6
1
1
8
1
2
0
1
2
2
3
2
4
6
2
7
0
2
9
4
3
2
0
3
4
7
3
7
4

4
0
3

4
3
3

1
4

5
1
3

2
1

3
1

4
2
5
4
6
7
8
1
9
6
1
1
2
1
2
9
1
4
7

1
6
6
1
8
6
2
0
7
2
3
0
2
5
3
2
7
7
3
0
2
3
2
8
3
5
5
3
8
3

4
1
3

4
4
3

1
5

6
1
3

2
2

3
3

4
4
5
6
6
9
8
4
9
9
1
1
6
1
3
3
1
5
2

1
7
1
1
9
2
2
1
3
2
3
6
2
5
9
2
8
4
3
1
0
3
3
6
3
6
4
3
9
2

4
2
2

4
5
3

1
6

6
1
4

2
4

3
4

4
6
5
8
7
2
8
7
1
0
3
1
2
0
1
3
8
1
5
6

1
7
6
1
9
7
2
1
9
2
4
2
2
6
6
2
9
1
3
1
7
3
4
4
3
7
2
4
0
1

4
3
1

4
6
2

1
7

6
1
5

2
5

3
5

4
7
6
1
7
5
9
0
1
0
6
1
2
3
1
4
2
1
6
1

1
8
2
2
0
3
2
2
5
2
4
9
2
7
3
2
9
9
3
2
5
3
5
2
3
8
1
4
1
0

4
4
1

4
7
2

1
8

7
1
5

2
6

3
7

4
9
6
3
7
7
9
3
1
1
0
1
2
7
1
4
6
1
6
6

1
8
7
2
0
8
2
3
1
2
5
5
2
8
0
3
0
6
3
3
3
3
6
1
3
8
9
4
1
9

4
5
0

4
8
2

1
9

7
1
6

2
7

3
8

5
1
6
5
8
0
9
6
1
1
3
1
3
1
1
5
0
1
7
1

1
9
2
2
1
4
2
3
7
2
6
2
2
8
7
3
1
3
3
4
0
3
6
9
3
9
8
4
2
8

4
6
0

4
9
2

2
0

7
1
7

2
8

4
0

5
3
6
7
8
3
9
9
1
1
7
1
3
5
1
5
5
1
7
5

1
9
7
2
2
0
2
4
3
2
6
8
2
9
4
3
2
0
3
4
8
3
7
7
4
0
7
4
3
7

4
6
9

5
0
2

2
1

8
1
7

2
9

4
1

5
5
6
9
8
5
1
0
2
1
2
0
1
3
9
1
5
9
1
8
0

2
0
2
2
2
5
2
4
9
2
7
4
3
0
1
3
2
8
3
5
6
3
8
5
4
1
5
4
4
6

4
7
9

5
1
2

2
2

8
1
8

3
0

4
3

5
7
7
2
8
8
1
0
5
1
2
3
1
4
3
1
6
3
1
8
5

2
0
7
2
3
1
2
5
5
2
8
1
3
0
7
3
3
5
3
6
4
3
9
3
4
2
4
4
5
5

4
8
8

5
2
2

2
3

8
1
9

3
1

4
4

5
8
7
4
9
0
1
0
8
1
2
7
1
4
7
1
6
8
1
8
9

2
1
2
2
3
6
2
6
1
2
8
7
3
1
4
3
4
2
3
7
1
4
0
1
4
3
2
4
6
5

4
9
8

5
3
2

2
4

9
1
9

3
2

4
5

6
0
7
6
9
3
1
1
1
1
3
0
1
5
1
1
7
2
1
9
4

2
1
8
2
4
2
2
6
7
2
9
4
3
2
1
3
5
0
3
7
9
4
1
0
4
4
1
4
7
4

5
0
7

5
4
2

2
5

9
2
0

3
3

4
7

6
2
7
8
9
6
1
1
4
1
3
4
1
5
5
1
7
6
1
9
9

2
2
3
2
4
8
2
7
3
3
0
0
3
2
8
3
5
7
3
8
7
4
1
8
4
5
0
4
8
3

5
1
7

5
5
2

Q
u
a
n
t
i
l
e

w
n
1
,
n
2

;

u

d
e
r

W
i
l
c
o
x
o
n

R
a
n
g
s
u
m
m
e
n

T
e
s
t
s
t
a
t
i
s
t
i
k

u
=

,
1

w
n
1
,
n
2

;

1
-
u
=
n
1
(
n
1
+
n
2
+
1
)
-

w
n
1
,
n
2

;

u

n

2
\

n
1

1
0

1
1

1
2

1
3

1
4

1
5

1
6

1
7

1
8

1
9

2
0

2
1

2
2

2
3

2
4

2
5

9
1

1
0
5
1
2
0
1
3
6
1
5
3
1
7
1
1
9
1
2
1
1
2
3
2
2
5
4
2
7
7

3
0
1

3
2
6

2
8
3
6
4
6
5
6
6
7
8
0
9
3

1
0
7
1
2
3
1
3
9
1
5
7
1
7
5
1
9
4
2
1
5
2
3
6
2
5
8
2
8
2

3
0
6

3
3
2

1
5

2
2
2
9
3
8
4
8
5
8
7
0
8
3
9
6

1
1
1
1
2
7
1
4
3
1
6
1
1
8
0
1
9
9
2
2
0
2
4
2
2
6
4
2
8
8

3
1
3

3
3
8

1
0

1
6

2
3
3
1
4
0
5
0
6
1
7
3
8
6
1
0
0

1
1
5
1
3
1
1
4
8
1
6
6
1
8
5
2
0
5
2
2
6
2
4
8
2
7
1
2
9
5

3
2
0

3
4
6

1
1

1
7

2
4
3
2
4
2
5
2
6
3
7
5
8
9
1
0
3

1
1
8
1
3
5
1
5
2
1
7
1
1
9
0
2
1
0
2
3
2
2
5
4
2
7
7
3
0
2

3
2
7

3
5
4

1
1

1
8

2
5
3
4
4
3
5
4
6
6
7
8
9
2
1
0
7

1
2
2
1
3
9
1
5
7
1
7
6
1
9
5
2
1
6
2
3
8
2
6
1
2
8
4
3
0
9

3
3
5

3
6
1

1
2

1
9

2
7
3
5
4
5
5
6
6
8
8
1
9
5
1
1
1

1
2
7
1
4
4
1
6
2
1
8
1
2
0
1
2
2
2
2
4
4
2
6
7
2
9
1
3
1
6

3
4
2

3
7
0

1
3

2
0

2
8
3
7
4
7
5
9
7
1
8
4
9
9
1
1
4

1
3
1
1
4
8
1
6
7
1
8
6
2
0
7
2
2
8
2
5
0
2
7
4
2
9
8
3
2
4

3
5
0

3
7
8

1
0

1
3

2
1

2
9
3
9
4
9
6
1
7
4
8
8
1
0
2
1
1
8

1
3
5
1
5
3
1
7
2
1
9
1
2
1
2
2
3
4
2
5
7
2
8
1
3
0
6
3
3
1

3
5
8

3
8
6

1
1

1
4

2
2

3
0
4
0
5
1
6
3
7
7
9
1
1
0
6
1
2
2

1
3
9
1
5
7
1
7
7
1
9
7
2
1
8
2
4
0
2
6
3
2
8
8
3
1
3
3
3
9

3
6
6

3
9
5

1
2

1
5

2
3

3
2
4
2
5
3
6
6
7
9
9
4
1
0
9
1
2
6

1
4
3
1
6
2
1
8
2
2
0
2
2
2
4
2
4
6
2
7
0
2
9
5
3
2
0
3
4
7

3
7
5

4
0
3

1
3

3
8

1
5

2
4

3
3
4
4
5
6
6
8
8
2
9
7
1
1
3
1
3
0

1
4
8
1
6
7
1
8
7
2
0
8
2
3
0
2
5
3
2
7
7
3
0
2
3
2
8
3
5
5

3
8
3

4
1
2

1
4

3
8

1
6

2
5

3
4
4
5
5
8
7
1
8
5
1
0
0
1
1
6
1
3
4

1
5
2
1
7
1
1
9
2
2
1
3
2
3
6
2
5
9
2
8
3
3
0
9
3
3
5
3
6
3

3
9
1

4
2
0

1
5

3
9

1
7

2
6

3
6
4
7
6
0
7
3
8
8
1
0
3
1
2
0
1
3
8

1
5
6
1
7
6
1
9
7
2
1
9
2
4
1
2
6
5
2
9
0
3
1
6
3
4
3
3
7
0

3
9
9

4
2
9

1
6

3
9

1
7

2
7

3
7
4
9
6
2
7
6
9
1
1
0
7
1
2
4
1
4
2

1
6
1
1
8
1
2
0
2
2
2
4
2
4
7
2
7
2
2
9
7
3
2
3
3
5
0
3
7
8

4
0
8

4
3
8

1
7

3
1
0

1
8

2
8

3
9
5
1
6
4
7
8
9
3
1
1
0
1
2
7
1
4
6

1
6
5
1
8
6
2
0
7
2
3
0
2
5
3
2
7
8
3
0
3
3
3
0
3
5
8
3
8
6

4
1
6

4
4
7

1
8

3
1
0

1
9

2
9

4
0
5
2
6
6
8
1
9
6
1
1
3
1
3
1
1
5
0

1
7
0
1
9
0
2
1
2
2
3
5
2
5
9
2
8
4
3
1
0
3
3
7
3
6
5
3
9
4

4
2
4

4
5
5

1
9

4
1
0

1
9

3
0

4
1
5
4
6
8
8
3
9
9
1
1
6
1
3
4
1
5
4

1
7
4
1
9
5
2
1
8
2
4
1
2
6
5
2
9
1
3
1
7
3
4
4
3
7
3
4
0
2

4
3
3

4
6
4

2
0

4
1
1

2
0

3
1

4
3
5
6
7
0
8
5
1
0
2
1
1
9
1
3
8
1
5
8

1
7
8
2
0
0
2
2
3
2
4
6
2
7
1
2
9
7
3
2
4
3
5
2
3
8
0
4
1
0

4
4
1

4
7
3

2
1

4
1
1

2
1

3
2

4
4
5
8
7
2
8
8
1
0
5
1
2
3
1
4
2
1
6
2

1
8
3
2
0
5
2
2
8
2
5
2
2
7
7
3
0
3
3
3
1
3
5
9
3
8
8
4
1
8

4
5
0

4
8
2

2
2

4
1
1

2
1

3
3

4
5
5
9
7
4
9
0
1
0
8
1
2
6
1
4
5
1
6
6

1
8
7
2
1
0
2
3
3
2
5
8
2
8
3
3
1
0
3
3
7
3
6
6
3
9
6
4
2
6

4
5
8

4
9
1

2
3

4
1
2

2
2

3
4

4
7
6
1
7
6
9
3
1
1
0
1
2
9
1
4
9
1
7
0

1
9
2
2
1
4
2
3
8
2
6
3
2
8
9
3
1
6
3
4
4
3
7
3
4
0
3
4
3
4

4
6
7

5
0
0

2
4

4
1
2

2
3

3
5

4
8
6
3
7
8
9
5
1
1
3
1
3
2
1
5
3
1
7
4

1
9
6
2
1
9
2
4
4
2
6
9
2
9
5
3
2
3
3
5
1
3
8
1
4
1
1
4
4
3

4
7
5

5
0
9

2
5

4
1
3

2
3

3
6

5
0
6
4
8
1
9
8
1
1
6
1
3
6
1
5
6
1
7
8

2
0
0
2
2
4
2
4
9
2
7
5
3
0
1
3
2
9
3
5
8
3
8
8
4
1
9
4
5
1

4
8
4

5
1
7

Quantilew derWilcoxonVorzeichenRangstatistikw w
+
n; u n; 1-u
= n(n +1)2 -
n; u

n\u 0,005 0,01 0,025 0,05 0,1


4 0
5 0 2
6 0 2 3
7 0 2 3 5
8 0 1 3 5 8
9 1 3 5 8 10
10 3 5 8 10 14
11 5 7 10 13 17
12 7 9 13 17 21
13 9 12 17 21 26
14 12 15 21 25 31
15 15 19 25 30 36
16 19 23 29 35 42
17 23 27 34 41 48
18 27 32 40 47 55
19 32 37 46 53 62
20 37 43 52 60 69

Tabelle zur Verteilungsfunktion der Standardnormalverteilung


Die folgende Tabelle enthlt Werte der Verteilungsfunktion
(x) =
1

2
x

z
2
2
dz
der Standardnormalverteilung fr Argumente x = 0.00, 0.01, . . . , 3.49. Werte von fr entsprechende
negative Argumente erhlt man ber die Beziehung (x) = 1 (x). Zum Beispiel gilt (nherungs-
weise) (1.96) = 0.9750 und entsprechend (1.96) = 1 0.9750 = 0.0250.
Zur Bestimmung eines Quantils
1
(p) suche man den gegebenen Wert p der Verteilungsfunktion
(bzw. einen mglichst naheliegenden) im Tabellenkrper und bestimme das zugehrige Argument x.
Zum Beispiel ist das 99%-Quantil
1
(0.99) ungefhr
1
(0.9901) = 2.33.
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
Quantile z
p
der Standardnormalverteilung N(0, 1)
Hier gilt z
p
= z
1p
, so ist z.B. z
0.05
= z
0.95
= 1.6449.
p z
p
p z
p
p z
p
p z
p
0.50 0.0000 0.780 0.7722 0.9760 1.9774 0.9960 2.6521
0.51 0.0251 0.785 0.7892 0.9765 1.9863 0.9961 2.6606
0.52 0.0502 0.790 0.8064 0.9770 1.9954 0.9962 2.6693
0.53 0.0753 0.795 0.8239 0.9775 2.0047 0.9963 2.6783
0.54 0.1004 0.800 0.8416 0.9780 2.0141 0.9964 2.6874
0.55 0.1257 0.805 0.8596 0.9785 2.0237 0.9965 2.6968
0.56 0.1510 0.810 0.8779 0.9790 2.0335 0.9966 2.7065
0.57 0.1764 0.815 0.8965 0.9795 2.0435 0.9967 2.7164
0.58 0.2019 0.820 0.9154 0.9800 2.0537 0.9968 2.7266
0.59 0.2275 0.825 0.9346 0.9805 2.0642 0.9969 2.7370
0.60 0.2533 0.830 0.9542 0.9810 2.0749 0.9970 2.7478
0.61 0.2793 0.835 0.9741 0.9815 2.0858 0.9971 2.7589
0.62 0.3055 0.840 0.9945 0.9820 2.0969 0.9972 2.7703
0.63 0.3319 0.845 1.0152 0.9825 2.1084 0.9973 2.7822
0.64 0.3585 0.850 1.0364 0.9830 2.1201 0.9974 2.7944
0.65 0.3853 0.855 1.0581 0.9835 2.1321 0.9975 2.8070
0.66 0.4125 0.860 1.0803 0.9840 2.1444 0.9976 2.8202
0.67 0.4399 0.865 1.1031 0.9845 2.1571 0.9977 2.8338
0.68 0.4677 0.870 1.1264 0.9850 2.1701 0.9978 2.8480
0.69 0.4959 0.875 1.1503 0.9855 2.1835 0.9979 2.8627
0.70 0.5244 0.880 1.1750 0.9860 2.1973 0.9980 2.8782
0.71 0.5534 0.885 1.2004 0.9865 2.2115 0.9981 2.8943
0.72 0.5828 0.890 1.2265 0.9870 2.2262 0.9982 2.9112
0.73 0.6128 0.895 1.2536 0.9875 2.2414 0.9983 2.9290
0.74 0.6433 0.900 1.2816 0.9880 2.2571 0.9984 2.9478
0.75 0.6745 0.905 1.3106 0.9885 2.2734 0.9985 2.9677
0.76 0.7063 0.910 1.3408 0.9890 2.2904 0.9986 2.9889
0.77 0.7388 0.915 1.3722 0.9895 2.3080 0.9987 3.0115
0.920 1.4051 0.9900 2.3263 0.9988 3.0357
0.925 1.4395 0.9905 2.3455 0.9989 3.0618
0.930 1.4758 0.9910 2.3656 0.9990 3.0902
0.935 1.5141 0.9915 2.3867 0.9991 3.1214
0.940 1.5548 0.9920 2.4089 0.9992 3.1559
0.945 1.5982 0.9925 2.4324 0.9993 3.1947
0.950 1.6449 0.9930 2.4573 0.9994 3.2389
0.955 1.6954 0.9935 2.4838 0.9995 3.2905
0.960 1.7507 0.9940 2.5121 0.9996 3.3528
0.965 1.8119 0.9945 2.5427 0.9997 3.4316
0.970 1.8808 0.9950 2.5758 0.9998 3.5401
0.975 1.9600 0.9955 2.6121 0.9999 3.7190
Quantile t
m,p
der Studentschen t-Verteilung
Hier gilt t
m,p
= t
m,1p
, so ist z.B. t
10,0.05
= t
10,0.95
= 1.81.
m p = 0.90 0.95 0.975 0.990 0.995 0.999 0.9995
1 3.08 6.31 12.71 31.82 63.66 318.31 636.62
2 1.89 2.92 4.30 6.96 9.92 22.33 31.60
3 1.64 2.35 3.18 4.54 5.84 10.21 12.92
4 1.53 2.13 2.78 3.75 4.60 7.17 8.61
5 1.48 2.02 2.57 3.36 4.03 5.89 6.87
6 1.44 1.94 2.45 3.14 3.71 5.21 5.96
7 1.41 1.89 2.36 3.00 3.50 4.79 5.41
8 1.40 1.86 2.31 2.90 3.36 4.50 5.04
9 1.38 1.83 2.26 2.82 3.25 4.30 4.78
10 1.37 1.81 2.23 2.76 3.17 4.14 4.59
11 1.36 1.80 2.20 2.72 3.11 4.02 4.44
12 1.36 1.78 2.18 2.68 3.05 3.93 4.32
13 1.35 1.77 2.16 2.65 3.01 3.85 4.22
14 1.35 1.76 2.14 2.62 2.98 3.79 4.14
15 1.34 1.75 2.13 2.60 2.95 3.73 4.07
16 1.34 1.75 2.12 2.58 2.92 3.69 4.01
17 1.33 1.74 2.11 2.57 2.90 3.65 3.97
18 1.33 1.73 2.10 2.55 2.88 3.61 3.92
19 1.33 1.73 2.09 2.54 2.86 3.58 3.88
20 1.33 1.72 2.09 2.53 2.85 3.55 3.85
21 1.32 1.72 2.08 2.52 2.83 3.53 3.82
22 1.32 1.72 2.07 2.51 2.82 3.50 3.79
23 1.32 1.71 2.07 2.50 2.81 3.48 3.77
24 1.32 1.71 2.06 2.49 2.80 3.47 3.75
25 1.32 1.71 2.06 2.49 2.79 3.45 3.73
26 1.31 1.71 2.06 2.48 2.78 3.43 3.71
27 1.31 1.70 2.05 2.47 2.77 3.42 3.69
28 1.31 1.70 2.05 2.47 2.76 3.41 3.67
29 1.31 1.70 2.05 2.46 2.76 3.40 3.66
30 1.31 1.70 2.04 2.46 2.75 3.39 3.65
40 1.30 1.68 2.02 2.42 2.70 3.31 3.55
50 1.30 1.68 2.01 2.40 2.68 3.26 3.50
60 1.30 1.67 2.00 2.39 2.66 3.23 3.46
70 1.29 1.67 1.99 2.38 2.65 3.21 3.44
80 1.29 1.66 1.99 2.37 2.64 3.20 3.42
90 1.29 1.66 1.99 2.37 2.63 3.18 3.40
100 1.29 1.66 1.98 2.36 2.63 3.17 3.39
120 1.29 1.66 1.98 2.36 2.62 3.16 3.37
1.28 1.64 1.96 2.33 2.58 3.09 3.29
Quantile
2
m,p
der
2
-Verteilung
m p = 0.005 0.01 0.025 0.05 0.1 0.9 0.95 0.975 0.99 0.995
1 0.00004 0.00016 0.00098 0.0039 0.0158 2.71 3.84 5.02 6.63 7.88
2 0.0100 0.020 0.051 0.103 0.21 4.61 5.99 7.38 9.21 10.60
3 0.0717 0.115 0.216 0.352 0.58 6.25 7.81 9.35 11.34 12.84
4 0.207 0.297 0.484 0.711 1.06 7.78 9.49 11.14 13.28 14.86
5 0.412 0.554 0.831 1.15 1.61 9.24 11.07 12.83 15.09 16.75
6 0.676 0.872 1.24 1.64 2.20 10.64 12.59 14.45 16.81 18.55
7 0.989 1.24 1.69 2.17 2.83 12.02 14.07 16.01 18.48 20.28
8 1.34 1.65 2.18 2.73 3.49 13.36 15.51 17.53 20.09 21.95
9 1.73 2.09 2.70 3.33 4.17 14.68 16.92 19.02 21.67 23.59
10 2.16 2.56 3.25 3.94 4.87 15.99 18.31 20.48 23.21 25.19
11 2.60 3.05 3.82 4.57 5.58 17.28 19.68 21.92 24.72 26.76
12 3.07 3.57 4.40 5.23 6.30 18.55 21.03 23.34 26.22 28.30
13 3.57 4.11 5.01 5.89 7.04 19.81 22.36 24.74 27.69 29.82
14 4.07 4.66 5.63 6.57 7.79 21.06 23.68 26.12 29.14 31.32
15 4.60 5.23 6.26 7.26 8.55 22.31 25.00 27.49 30.58 32.80
16 5.14 5.81 6.91 7.96 9.31 23.54 26.30 28.85 32.00 34.27
17 5.70 6.41 7.56 8.67 10.09 24.77 27.59 30.19 33.41 35.72
18 6.26 7.01 8.23 9.39 10.86 25.99 28.87 31.53 34.81 37.16
19 6.84 7.63 8.91 10.12 11.65 27.20 30.14 32.85 36.19 38.58
20 7.43 8.26 9.59 10.85 12.44 28.41 31.41 34.17 37.57 40.00
21 8.03 8.90 10.28 11.59 13.24 29.62 32.67 35.48 38.93 41.40
22 8.64 9.54 10.98 12.34 14.04 30.81 33.92 36.78 40.29 42.80
23 9.26 10.20 11.69 13.09 14.85 32.01 35.17 38.08 41.64 44.18
24 9.89 10.86 12.40 13.85 15.66 33.20 36.42 39.36 42.98 45.56
25 10.52 11.52 13.12 14.61 16.47 34.38 37.65 40.65 44.31 46.93
26 11.16 12.20 13.84 15.38 17.29 35.56 38.89 41.92 45.64 48.29
27 11.81 12.88 14.57 16.15 18.11 36.74 40.11 43.19 46.96 49.64
28 12.46 13.56 15.31 16.93 18.94 37.92 41.34 44.46 48.28 50.99
29 13.12 14.26 16.05 17.71 19.77 39.09 42.56 45.72 49.59 52.34
30 13.79 14.95 16.79 18.49 20.60 40.26 43.77 46.98 50.89 53.67
40 20.71 22.16 24.43 26.51 29.05 51.81 55.76 59.34 63.69 66.77
50 27.99 29.71 32.36 34.76 37.69 63.17 67.50 71.42 76.15 79.49
60 35.53 37.48 40.48 43.19 46.46 74.40 79.08 83.30 88.38 91.95
70 43.28 45.44 48.76 51.74 55.33 85.53 90.53 95.02 100.43 104.21
80 51.17 53.54 57.15 60.39 64.28 96.58 101.88 106.63 112.33 116.32
90 59.20 61.75 65.65 69.13 73.29 107.57 113.15 118.14 124.12 128.30
100 67.33 70.06 74.22 77.93 82.36 118.50 124.34 129.56 135.81 140.17
150 109.14 112.67 117.98 122.69 128.28 172.58 179.58 185.80 193.21 198.36
200 152.24 156.43 162.73 168.28 174.84 226.02 233.99 241.06 249.45 255.26
250 196.16 200.94 208.10 214.39 221.81 279.05 287.88 295.69 304.94 311.35
300 240.66 245.97 253.91 260.88 269.07 331.79 341.40 349.87 359.91 366.84
400 330.90 337.16 346.48 354.64 364.21 436.65 447.63 457.31 468.72 476.61
Quantile F
m
1
,m
2
,p
der F-Verteilung mit p = 0.95 (Teil 1)
Hier gilt F
m
1
,m
2
,p
=
1
F
m
2
,m
1
,1p
, so ist z.B. F
10,2,0.05
=
1
F
2,10,0.95
=
1
4.10
= 0.244.
m
1
= 1 2 3 4 5 6 7 8 9 10
m
2
= 1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.02 1.97
80 3.96 3.11 2.72 2.49 2.33 2.21 2.13 2.06 2.00 1.95
90 3.95 3.10 2.71 2.47 2.32 2.20 2.11 2.04 1.99 1.94
100 3.94 3.09 2.70 2.46 2.31 2.19 2.10 2.03 1.97 1.93
200 3.89 3.04 2.65 2.42 2.26 2.14 2.06 1.98 1.93 1.88
1000 3.85 3.00 2.61 2.38 2.22 2.11 2.02 1.95 1.89 1.84
3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83
Quantile F
m
1
,m
2
,p
der F-Verteilung mit p = 0.95 (Teil 2)
Hier gilt F
m
1
,m
2
,p
=
1
F
m
2
,m
1
,1p
, so ist z.B. F
10,12,0.05
=
1
F
12,10,0.95
=
1
2.91
= 0.34.
m
1
= 12 14 16 18 20 30 50 75 100
m
2
= 1 244 245 246 247 248 250 252 253 253 254
2 19.41 19.42 19.43 19.44 19.45 19.46 19.48 19.48 19.49 19.50
3 8.74 8.71 8.69 8.67 8.66 8.62 8.58 8.56 8.55 8.53
4 5.91 5.87 5.84 5.82 5.80 5.75 5.70 5.68 5.66 5.63
5 4.68 4.64 4.60 4.58 4.56 4.50 4.44 4.42 4.41 4.36
6 4.00 3.96 3.92 3.90 3.87 3.81 3.75 3.73 3.71 3.67
7 3.57 3.53 3.49 3.47 3.44 3.38 3.32 3.29 3.27 3.23
8 3.28 3.24 3.20 3.17 3.15 3.08 3.02 2.99 2.97 2.93
9 3.07 3.03 2.99 2.96 2.94 2.86 2.80 2.77 2.76 2.71
10 2.91 2.86 2.83 2.80 2.77 2.70 2.64 2.60 2.59 2.54
11 2.79 2.74 2.70 2.67 2.65 2.57 2.51 2.47 2.46 2.40
12 2.69 2.64 2.60 2.57 2.54 2.47 2.40 2.37 2.35 2.30
13 2.60 2.55 2.51 2.48 2.46 2.38 2.31 2.28 2.26 2.21
14 2.53 2.48 2.44 2.41 2.39 2.31 2.24 2.21 2.19 2.13
15 2.48 2.42 2.38 2.35 2.33 2.25 2.18 2.14 2.12 2.07
16 2.42 2.37 2.33 2.30 2.28 2.19 2.12 2.09 2.07 2.01
17 2.38 2.33 2.29 2.26 2.23 2.15 2.08 2.04 2.02 1.96
18 2.34 2.29 2.25 2.22 2.19 2.11 2.04 2.00 1.98 1.92
19 2.31 2.26 2.21 2.18 2.16 2.07 2.00 1.96 1.94 1.88
20 2.28 2.22 2.18 2.15 2.12 2.04 1.97 1.93 1.91 1.84
21 2.25 2.20 2.16 2.12 2.10 2.01 1.94 1.90 1.88 1.81
22 2.23 2.17 2.13 2.10 2.07 1.98 1.91 1.87 1.85 1.78
23 2.20 2.15 2.11 2.08 2.05 1.96 1.88 1.84 1.82 1.76
24 2.18 2.13 2.09 2.05 2.03 1.94 1.86 1.82 1.80 1.73
25 2.16 2.11 2.07 2.04 2.01 1.92 1.84 1.80 1.78 1.71
26 2.15 2.09 2.05 2.02 1.99 1.90 1.82 1.78 1.76 1.69
27 2.13 2.08 2.04 2.00 1.97 1.88 1.81 1.76 1.74 1.67
28 2.12 2.06 2.02 1.99 1.96 1.87 1.79 1.75 1.73 1.65
29 2.10 2.05 2.01 1.97 1.94 1.85 1.77 1.73 1.71 1.64
30 2.09 2.04 1.99 1.96 1.93 1.84 1.76 1.72 1.70 1.62
40 2.00 1.95 1.90 1.87 1.84 1.74 1.66 1.61 1.59 1.51
50 1.95 1.89 1.85 1.81 1.78 1.69 1.60 1.55 1.52 1.44
60 1.92 1.86 1.82 1.78 1.75 1.65 1.56 1.51 1.48 1.39
70 1.89 1.84 1.79 1.75 1.72 1.62 1.53 1.48 1.45 1.35
80 1.88 1.82 1.77 1.73 1.70 1.60 1.51 1.45 1.43 1.32
90 1.86 1.80 1.76 1.72 1.69 1.59 1.49 1.44 1.41 1.30
100 1.85 1.79 1.75 1.71 1.68 1.57 1.48 1.42 1.39 1.28
200 1.80 1.74 1.69 1.66 1.62 1.52 1.41 1.35 1.32 1.19
1000 1.76 1.70 1.65 1.61 1.58 1.47 1.36 1.30 1.26 1.08
1.75 1.69 1.64 1.60 1.57 1.46 1.35 1.28 1.24 1.00
Quantile F
m
1
,m
2
,p
der F-Verteilung mit p = 0.99 (Teil 1)
Hier gilt F
m
1
,m
2
,p
=
1
F
m
2
,m
1
,1p
, so ist z.B. F
10,2,0.01
=
1
F
2,10,0.99
=
1
7.56
= 0.132.
m
1
= 1 2 3 4 5 6 7 8 9 10
m
2
= 1 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056
2 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37 99.39 99.40
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35 27.23
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09
27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15 3.06
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03
29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09 3.00
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80
50 7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89 2.78 2.70
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63
70 7.01 4.92 4.07 3.60 3.29 3.07 2.91 2.78 2.67 2.59
80 6.96 4.88 4.04 3.56 3.26 3.04 2.87 2.74 2.64 2.55
90 6.93 4.85 4.01 3.53 3.23 3.01 2.84 2.72 2.61 2.52
100 6.90 4.82 3.98 3.51 3.21 2.99 2.82 2.69 2.59 2.50
200 6.76 4.71 3.88 3.41 3.11 2.89 2.73 2.60 2.50 2.41
1000 6.66 4.63 3.80 3.34 3.04 2.82 2.66 2.53 2.43 2.34
6.63 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32
Quantile F
m
1
,m
2
,p
der F-Verteilung mit p = 0.99 (Teil 2)
Hier gilt F
m
1
,m
2
,p
=
1
F
m
2
,m
1
,1p
, so ist z.B. F
10,12,0.01
=
1
F
12,10,0.99
=
1
4.71
= 0.212.
m
1
= 12 14 16 18 20 30 50 75 100
m
2
= 1 6106 6143 6170 6192 6209 6261 6303 6324 6334 6366
2 99.42 99.43 99.44 99.44 99.45 99.47 99.48 99.49 99.49 99.50
3 27.05 26.92 26.83 26.75 26.69 26.50 26.35 26.28 26.24 26.13
4 14.37 14.25 14.15 14.08 14.02 13.84 13.69 13.61 13.58 13.46
5 9.89 9.77 9.68 9.61 9.55 9.38 9.24 9.17 9.13 9.02
6 7.72 7.60 7.52 7.45 7.40 7.23 7.09 7.02 6.99 6.88
7 6.47 6.36 6.28 6.21 6.16 5.99 5.86 5.79 5.75 5.65
8 5.67 5.56 5.48 5.41 5.36 5.20 5.07 5.00 4.96 4.86
9 5.11 5.01 4.92 4.86 4.81 4.65 4.52 4.45 4.41 4.31
10 4.71 4.60 4.52 4.46 4.41 4.25 4.12 4.05 4.01 3.91
11 4.40 4.29 4.21 4.15 4.10 3.94 3.81 3.74 3.71 3.60
12 4.16 4.05 3.97 3.91 3.86 3.70 3.57 3.50 3.47 3.36
13 3.96 3.86 3.78 3.72 3.66 3.51 3.38 3.31 3.27 3.17
14 3.80 3.70 3.62 3.56 3.51 3.35 3.22 3.15 3.11 3.00
15 3.67 3.56 3.49 3.42 3.37 3.21 3.08 3.01 2.98 2.87
16 3.55 3.45 3.37 3.31 3.26 3.10 2.97 2.90 2.86 2.75
17 3.46 3.35 3.27 3.21 3.16 3.00 2.87 2.80 2.76 2.65
18 3.37 3.27 3.19 3.13 3.08 2.92 2.78 2.71 2.68 2.57
19 3.30 3.19 3.12 3.05 3.00 2.84 2.71 2.64 2.60 2.49
20 3.23 3.13 3.05 2.99 2.94 2.78 2.64 2.57 2.54 2.42
21 3.17 3.07 2.99 2.93 2.88 2.72 2.58 2.51 2.48 2.36
22 3.12 3.02 2.94 2.88 2.83 2.67 2.53 2.46 2.42 2.31
23 3.07 2.97 2.89 2.83 2.78 2.62 2.48 2.41 2.37 2.26
24 3.03 2.93 2.85 2.79 2.74 2.58 2.44 2.37 2.33 2.21
25 2.99 2.89 2.81 2.75 2.70 2.54 2.40 2.33 2.29 2.17
26 2.96 2.86 2.78 2.72 2.66 2.50 2.36 2.29 2.25 2.13
27 2.93 2.82 2.75 2.68 2.63 2.47 2.33 2.26 2.22 2.10
28 2.90 2.79 2.72 2.65 2.60 2.44 2.30 2.23 2.19 2.06
29 2.87 2.77 2.69 2.63 2.57 2.41 2.27 2.20 2.16 2.03
30 2.84 2.74 2.66 2.60 2.55 2.39 2.25 2.17 2.13 2.01
40 2.66 2.56 2.48 2.42 2.37 2.20 2.06 1.98 1.94 1.80
50 2.56 2.46 2.38 2.32 2.27 2.10 1.95 1.87 1.82 1.68
60 2.50 2.39 2.31 2.25 2.20 2.03 1.88 1.79 1.75 1.60
70 2.45 2.35 2.27 2.20 2.15 1.98 1.83 1.74 1.70 1.54
80 2.42 2.31 2.23 2.17 2.12 1.94 1.79 1.70 1.65 1.49
90 2.39 2.29 2.21 2.14 2.09 1.92 1.76 1.67 1.62 1.46
100 2.37 2.27 2.19 2.12 2.07 1.89 1.74 1.65 1.60 1.43
200 2.27 2.17 2.09 2.03 1.97 1.79 1.63 1.53 1.48 1.28
1000 2.20 2.10 2.02 1.95 1.90 1.72 1.54 1.44 1.38 1.11
2.18 2.08 2.00 1.93 1.88 1.70 1.52 1.42 1.36 1.00