Statistische Maßzahlen 1 Statistische Maßzahlen Stochastik Die Stochastik lässt sich unterteilen in induktive Statistik und deduktive Wahrscheinlichkeitsrechnung. In der induktiven Statistik werden aus den durch Beobachtungen, Messungen, Prüfungen usw. gewonnenen Daten, die bezifferbare Eigenschaften eines Kolektivs beschreiben, Maßzahlen erarbeitet, die Rückschlüsse auf das untersuchte Kollektiv zulassen. In der Literatur wird der Begriff Kollektiv sowohl für Objekte und Vorgänge der statistischen Untersuchung als auch für Ergebnisse der Untersuchung benutzt. In der deduktiven Wahrscheinlichkeitsrechnung werden aus den ermittelten Parametern Erkenntnisse gewonnen, die auf das zu Grunde liegende mathematische Modell schließen lassen. Die Maßzahlen können sowohl aus den Rohdaten in der induktiven Berechnungsphase als auch aus den mathematischen Modellen in der deduktiven Phase ermittelt und somit auch verglichen werden. Die Ergebnisse sind von gleicher Qualität, wenn auch die Berechnungsformeln unterschiedlich sind. Arithmetisches Mittelwert xMit = 1 n ∑xi = µ n i =1 xi statistischer Beobachtungswert, Zufallsvariable, i Summationsvariable, n Anzahl der Beobachtungswerte m xMit = xi Klassenmitten, statistischer Beobachtungswert, ∑ xi Hi i =1 m =µ ∑ Hi i =1 m Anzahl der Klassen, i Summationsvariable Hi Häufigkeit der Beobachtungswerte in den einzelnen Klassen, n Anzahl der Beobachtungswerte, m n = ∑ xi Hi i =1 Harmonisches Mittelwert hMit = n n 1 i =1 i ∑x xi statistischer Beobachtungswert, Zufallsvariable, i Summationsvariable, n Anzahl der Beobachtungswerte m hMit = ∑ Hi i =1 m 1 ∑x i =1 Hi xi Klassenmitten, statistischer Beobachtungswert, Hi Häufigkeit der Beobachtungswerte in den einzelnen Klassen, i m Anzahl der Klassen, m n Anzahl der Beobachtungswerte, Varianz i Summationsvariable, n = ∑ xi Hi i =1 Neben dem Mittelwert (Lagemaß) ist auch die Streuung (Streumaß) der stochastischen Daten eine aufschlussreiche Kenngröße, die eine Beurteilung der durch Wahrscheinlichkeit geprägten Gegebenheiten ermöglicht. Für die Streuung ist der Abstand der Zufallsvariablen vom Mittelwert ausschlaggebend. Die Summe der Abstände der Daten vom Mittelwert ist aber stets Null. Als Kennwert der Streuung nimmt man also nicht die Summe der Abweichungen vom Mittelwert sonder die Summe der quadrierten Abweichungen. Um zu verhindern, dass durch das Quadrieren große Abweichungen stärker gewichtet werden als kleine, wird die Summe der quadrierten Abweichungen noch durch die Summe der Daten geteilt. In der Literatur ist es üblich, die Varianz mit σ2 zu bezeichnen. Das Rechenprogramm MathCad lässt es aber normalerweise nicht zu, dass der Name einer Variablen oder eines Parameters auf der linken Seite des Gleichheitszeichens mit einem Rechenoperator verknüpft wird. Die Rechenoperationen werden üblicherweise nur auf der rechten Seite des Gleichheitszeichens angegeben. Um das Bezeichnungsproblem zu lösen, wird in dieser Abhandlung als Symbol für die Varianz der kleine griechische Buchstabe τ benutzt. Zur Kennzeichnung und Unterscheidung von Variablen können nur tiefgestellte Literalindizes verwendet werden. Auch die in MathCad anwendbare chemische Notation sowie die besondere Eingabe von Operatoren in Namen ergibt kein praktikables Ergebnis. 19.5.2004 Masszahl.mcd Statistische Maßzahlen τ= 1 n ∑ ( xi − µ )2 = σ 2 n − 1 i =1 m τ= ∑ Hi ( xi − µ )2 =σ i =1 m ∑ Hi − 1 2 xi statistischer Beobachtungswert, Zufallsvariable, n Anzahl der Beobachtungswerte, xMit arithmetischer Mittelwert, i Summationsvariable xi Klassenmitten, statistischer Beobachtungswert, m Anzahl der Klassen, 2 Hi Häufigkeit der Beobachtungswerte in den einzelnen Klassen, i =1 i Summationsvariable, xMit arithmetischer Mittelwert Standardabweichung oder Streuung xi statistischer Beobachtungswert, Zufallsvariable, 1 n ∑ (xi − µ )2 n − 1 i =1 σ = m Hi ( xi ∑ i =1 σ = n Anzahl der Beobachtungswerte, xMit arithmetischer Mittelwert, i Summationsvariable, xi Klassenmitten, statistischer Beobachtungswert, − µ )2 m Anzahl der Klassen, m Hi Häufigkeit der Beobachtungswerte in den einzelnen Klassen, i =1 i Summationsvariable, xMit arithmetischer Mittelwert σ Standardabweichung, xMit arithmetischer Mittelwert ∑ Hi − 1 Variationskoeffizient v= σ µ Zentralwert (Median) Durch den Zentralwert werden die nach Größe oder Rang geordneten unbehandelten Rohdaten einer Urliste bezüglich der Eigenschaften eines Kollektivs halbiert. Der Zentral- oder Medianwert hat weder mehr als die Hälfte der ermittelten und rechnerisch nicht veränderten Rohdaten vor sich noch mehr als die Hälfte hinter sich. Sind die Urdaten (Häufigkeit der Beobachtungen von bestimmten Eigenschaften des Kollektivs) in Klassen oder Gruppen zusammengefasst, errechnet sich der Zentralwert in folgender Weise. m ∑ Hi i =1 xMed = xu + 2 − Hi Häufigkeit der Beobachtungswerte in den einzelnen Klassen, mMed −1 ∑ i =1 Hi HMed ⋅d d Klassenbreite, xu untere Grenze der Klasse des Zentralwertes, mMed Klasse des Zentralwertes, x Klassenmitten, i = 1 . . .m Summationsvariable, Schiefe γ = γ = 1 σ3 1 σ 3 ε= 1 σ 4 1 σ4 HMed Häufigkeit der Median-Klasse Maß für die Asymmetrie σ Standardabweichung, n ⋅ ∑ ( xi − µ )3 xi statistischer Beobachtungswert, Zufallsvariable, µ Mittelwert i =1 m ⋅ ∑ H i ( x i − µ )3 i =1 Exzess ε= m Anzahl der Klassen, σ Standardabweichung, xi statistischer Beobachtungswert, Zufallsvariable, µ Mittelwert, Hi Häufigkeit der Beobachtungswerte Maß für Gratbildung n ⋅ ∑ ( xi − µ ) − c 4 i =1 m µ Mittelwert, ⋅ ∑ H i ( xi − µ ) − c i =1 σ Standardabweichung, 4 σ Standardabweichung, µ Mittelwert, xi statistischer Beobachtungswert, Zufallsvariable, c Konstante, c=3 xi statistischer Beobachtungswert, Zufallsvariable, c Konstante, c=3 Hi Häufigkeit der Beobachtungswerte 19.5.2004 Masszahl.mcd Statistische Maßzahlen 3 Maßzahlen von Verteilungen Arithmetischer Mittelwert einer diskreten Verteilung n f(k i ) Wahrscheinlichkeitsdichte, µ = ∑ k i f ( ki ) i =1 k i . . . k n Zufallsvariable, i = 1 . . . n Summationsvariable, Beobachtungsbereich Arithmetischer Mittelwert einer stetigen Verteilung +∞ ∫ µ= x ⋅f (x )dx f(x) Wahrscheinlichkeitsdichte, x Zufallsvariable, x =−∞ Zentralwert (Median) einer stetigen Verteilung Der Zentralwert einer stetigen Verteilung ist der Wert der Zufallsvariablen, für den die kumulative Wahrscheinlichkeitsverteilung gerade 50% beträgt. Varianz einer diskreten Verteilung kn τ = ∑ (ki − µ )2 f (ki ) = σ 2 i =1 f(k i ) Wahrscheinlichkeitsdichte, k i . . . k n Zufallsvariable, i = 1 . . . n Summationsvariable, Beobachtungsbereich, µ arithmetischer Mittelwert Standardabweichung einer diskreten Verteilung kn ∑ ( k i − µ ) 2 f (ki ) σ = i =1 f(k i ) Wahrscheinlichkeitsdichte, k i . . . k n Zufallsvariable, i = 1 . . . n Summationsvariable, Beobachtungsbereich, µ arithmetischer Mittelwert Varianz einer stetigen Verteilung +∞ ∫ τ= f(x) Wahrscheinlichkeitsdichte, ( x − µ )2f ( x )dx = σ 2 x Zufallsvariable, µ arithmetischer Mittelwert x =−∞ Standardabweichung einer stetigen Verteilung +∞ ∫ (x − µ ) f ( x ) dx x =−∞ σ = 2 f(x) Wahrscheinlichkeitsdichte, x Zufallsvariable, µ arithmetischer Mittelwert Schiefe einer stetigen Verteilung γ = 1 σ3 xmax ⋅ ∫ σ Standardabweichung ( x − µ )3 f( x) dx x = xmin x Zufallsvariable µ Mittelwert Exzess einer stetigen Verteilung x ε= max 1 ⋅ ∫ ( x − µ )4 f( x) dx − c σ 4 x = xmin Maßzahlberechnungen Die Berechnung der Maßzahlen dient insbesondere dazu, das mathematische Modell zu erkennen, nach dem der zu untersuchende stochastische Prozess abläuft. Stochastisches Experiment Bei einem Zufallsexperiment sind die folgenden Daten (Klassenmitte und Häufigkeit) ermittelt worden. Es sollen der Mittelwert, der Zentralwert, die Varianz und die Standardabweichung berechnet werden. Rechenbeispiel ORIGIN = 0 Variable und Parameter m := 8 19.5.2004 Anzahl der Klassen, d := 1 Klassenbreite, x Klassenmitte (Zufallsvariable) Masszahl.mcd Statistische Maßzahlen Klassengrenzen Klassenmitte 9 10 11 12 xk := 13 14 15 16 17 4 Häufigkeit 9.5 10.5 11.5 12.5 x := 13.5 14.5 15.5 16.5 Gewicht der Klassen 1 12 20 30 H := 40 50 20 4 Summe der Häufigkeiten 9.5 126 230 375 A= 540 725 310 66 → A := ( x ⋅ H) 3 x ⋅ H = 2.381 × 10 Auswertung Gesamtzahl der Beobachtungen (Ereignisse) m −1 ∑ Hi = 177 i = 0 Gewicht aller Klassen untere Grenze der Median-Klasse Median-Klasse mMed := 6 maximale Häufigkeit xu := 14 m −1 Median-Häufigkeit max ( H) = 50 ∑ HMed := 50 3 Ai = 2.381 × 10 i = 0 Zentralwert m −1 Hi ( m Med −1) −1 i = 0 − Hi ∑ ∑ 2 i = 0 xMed := xu + ∑ xi ⋅ Hi τ := m −1 ∑ 〈 1〉 13.71 B = 13.71 ( Hi ⋅ xi − µ ∑ σ := τ m −1 ε := σ 4 σ = 1.503 10 15 〈 1〉 x, B 20 ∑ ( )3 ( )3 − c Hi xi − µ γ = −60.659 Rechtsseitige, negative Schiefe [13] S.50 i = 0 c := 0 Exzess 1 5 Häufigkeitsverteilung mit Median-Klasse Schiefe σ 20 Hi i = 0 Standardabweichung ⋅ 40 〈 0〉 B m −1 τ = 2.258 3 Median-Klasse H µ = 13.455 γ := )2 i = 0 Hi i = 0 1 〈 0〉 0 B = 50 60 m −1 i = 0 xMed = 13.710 xMed 0 B := HMed xMed Varianz m −1 µ := ⋅d HMed Arithmetischer Mittelwert ∑ Grenzen der Median-Klasse m −1 ⋅ 19.5.2004 ∑ Hi ⋅ xi − µ ε = −40.369 Unscharfer, negativer Exzess i = 0 Masszahl.mcd Statistische Maßzahlen 5 Würfelexperiment ORIGIN = 0 Rechenbeispiel 1 2 3 x := 4 5 6 Variable und Parameter n := 6 Anzahl der Beobachtungswerte, x Zufallsvariable (Augenzahl) Auswertung Mittelwert µ := 1 n n−1 ⋅ ∑ xi 0 µ n µ A := µ = 3.5 i = 0 6 Mittelwert Standardabweichung n−1 ∑ σ := 〈 0〉 A (xi − µ)2 4 〈 0〉 x i = 0 2 σ = 1.871 n−1 0 0 2 4 〈 1〉 A ,x 6 Augenzahl und Mittelwert Zusammenfassung zweier Stichproben bezüglich Varianz und Mittelwert Rechenbeispiel [11] S. 62 Parameter und Variable Stichprobe A Stichprobenumfang nA := 100 Mittelwert µ A := 20 Standardabweichung σA := 2.1 nB := 200 Mittelwert µ B := 25 Standardabweichung σB := 3.4 Stichprobe B Stichprobenumfang Die beiden Stichproben werden zu einer Stichprobe C zusammengefasst mit einem Umfang von nC = nA + nB. Auswertung Für die Berechnung der Varianz und des Mittelwertes der zusammengefassten Stichprobe C ist es sinnvoll, von folgenden Gleichungen auszugehen. 1 A ⋅ ∑ x Ai n A i =1 µB = 1 B ⋅ ∑ xBi nB i =1 nA xAi ∑ i =1 nB xBi ∑ i =1 τA = nA 2 1 ⋅ ∑ x Ai − nA ⋅ µA2 n A − 1 i =1 τB = 1 nB 2 ⋅ ∑ xBi − nB ⋅ µB2 nB − 1 i =1 n µA = n 3 = nA ⋅ µ A = 2 × 10 3 = nB ⋅ µ B = 5 × 10 3 nA ⋅ µ A + nB ⋅ µ B = 7 × 10 19.5.2004 Masszahl.mcd Statistische Maßzahlen nA 2 xAi ∑ i =1 = nB (nA − 1) ⋅ (σA)2 + nA ⋅ (µA)2 = 4.044 × 104 2 xBi ∑ i =1 = 6 (nB − 1) ⋅ (σB)2 + nB ⋅ (µB)2 = 1.273 × 105 (nA − 1) ⋅ (σA)2 + nA ⋅ (µA)2 + (nB − 1) ⋅ (σB)2 + nB ⋅ (µB)2 = 1.677 × 105 Mittelwert der zusammengefassten Stichproben (nA ⋅ µA + nB ⋅ µB) µ C := µ C = 23.333 nA + nB 70 3 = 23.333 Varianz der zusammengefassten Stichproben τC := 1 nA + nB − 1 ( ) ⋅ nA − 1 ⋅ σA + nA ⋅ µ A + 2 2 ( n − 1) ⋅ ( σ ) 2 + n ⋅ µ 2 − ( n + n ) ⋅ µ 2 B B B A B C B τC = 14.728 Standardabweichung σC := τC σC = 3.838 Zentraler Grenzwertsatz Normierte und zentrierte Summen [2] S.677 [8] S.186 [11] S.100 [13] S.70 n ∑ ( xi − µi ) Un = i =1 Un = n ∑τi i =1 n n ∑ ( xi − µi ) i =1 ORIGIN = 0 Alternativ-Formel für die Berechnung der Varianz [8] S.36 In der Literatur ist es üblich, die Varianz mit σ 2 zu bezeichnen. Das Rechenprogramm MathCad lässt es normalerweise nicht zu, dass der Name einer Variablen oder eines Parameters auf der linken Seite des Gleichheitszeichens mit einem Rechenoperator verknüpft wird. Die Rechenoperationen werden üblicherweise nur auf der rechten Seite des Gleichheitszeichens angegeben. Um das Bezeichnungsproblem zu lösen, wird in dieser Abhandlung als Symbol für die Varianz der kleine griechische Buchstabe τ benutzt. Zur Kennzeichnung und Unterscheidung von Variablen können nur tiefgestellte Literalindizes verwendet werden. Auch die in MathCad anwendbare chemische Notation sowie die besondere Eingabe von Operatoren in Namen ergibt kein praktikables Ergebnis. Für die Berechnung der Varianz mit Hilfe von Einfachdaten wird im Folgenden eine weitere Formel abgeleitet. Für die Verwendung der Formeln im Rechenprogramm MathCad muss die Einstellung des Startindexes beachtet werden. Bei ORIGIN = 0 bekommt das erste Element des verwendeten Feldes den Index 0! 1 n τ = ⋅ ∑ ( xi − µ )2 n − 1 i =1 ( n 1 τ = ⋅ ∑ xi2 − 2 xi µ − µ 2 n − 1 i =1 Mittelwert ) 2 2 1 n 2 2 n 1 n τ = ⋅ ∑ xi − ⋅ ∑ xi + ⋅ ∑ xi n − 1 i =1 n i =1 n i =1 19.5.2004 µ= 1 n ⋅ ∑ xi n i =1 τ = n Anzahl der Daten xi Zufallsvariable 2 n 1 n 1 1 n ⋅ ∑ xi2 − 2 xi ⋅ ⋅ ∑ xi + ⋅ ∑ xi n − 1 i =1 n i =1 n i =1 2 1 n 2 1 n τ = ⋅ ∑ xi − ⋅ ∑ xi n − 1 i =1 n i =1 τ = 1 n 2 ⋅ ∑ xi − n µ 2 n − 1 i =1 Masszahl.mcd Statistische Maßzahlen 7 Für die Berechnung der Varianz mit Hilfe von Mehrfachdaten (gruppierte Werte) ergibt sich durch die folgende Ableitung ebenfalls eine weitere Formel. m 1 m τ = ⋅ ∑ Hi ⋅ ( xi − µ )2 n − 1 i =1 Anzahl der Daten n = ∑ Hi µ= Mittelwert i =1 H Häufigkeit, ( m 1 τ = ⋅ ∑ H i ⋅ xi2 − 2 xi µ + µ 2 n − 1 i =1 ) τ = h relative Häufigkeit, xi 1 m ⋅ ∑ xi ⋅ Hi n i =1 Zufallsvariable, m Klassenzahl 2 m 1 m 1 1 m ⋅ ∑ Hi ⋅ xi2 − 2 xi ⋅ ⋅ ∑ xi ⋅ Hi + ⋅ ∑ xi ⋅ Hi n − 1 i =1 n i =1 n i =1 2 2 m 1 m 1 m 2 m 2 τ = ⋅ ∑ Hi xi − ⋅ ∑ HI xi + ∑ H i ⋅ ⋅ ∑ xi ⋅ Hi n − 1 i =1 n i =1 i =1 n i =1 2 2 1 m 2 m 1 m 2 τ = ⋅ ∑ Hi xi − ⋅ ∑ HI xi + ⋅ ∑ Hi xi n − 1 i =1 n i =1 n i =1 τ = 1 m ⋅ ∑ Hi xi2 − µ 2n n − 1 i =1 τ = τ = 2 1 m 1 m ⋅ ∑ Hi x2i − ⋅ ∑ HI x i n − 1 i =1 n i =1 n m ⋅ ∑ hi x 2i − µ 2 n − 1 i =1 Tschebyscheffsche Ungleichung Die Tschebyscheffsche Ungleichung liefert eine Aussage über die Wahrscheinlichkeit, dass die Zufallsvariable xi einen Wert annimmt, der vom Mittelwert µ mindestens einen bestimmten, durch die Standardabweichung σ ausdrückbaren Wert, von beispielsweise c = k σ aufweist. Zur Ableitung der Tschebyscheffschen Ungleichung geht man von der Varianz τ aus. Die Tschebyscheffsche Wahrscheinlichkeit QTsch gehört zu den Zufallvariablen, die außerhalb des Bereichs µ−c . . . µ+c liegen und steht in Beziehung zur Anzahl nTsch der Variablen in diesem Gebiet, wenn man von einem diskreten Statistikproblem ausgeht. Für die Tschebyscheffsche Ungleichung ergibt sich dann der folgende Ausdruck. τ = 1 m ⋅ ∑ ( xi − µ )2 n − 1 i =1 >>> τ = 1 ⋅c2 nTsch − 1 QTsch = τ c 2 QTsch = τ k σ 2 2 τ =σ 2 QTsch ≤ 1 k2 Normalverteilung Rechenbeispiel Parameter und Variable µ := 8 Mittelwert x := −10 , −9 .. 20 [12] S.198 σ := 2 Streuung [1] S.1076 [8] S.36 S.139, Zufallsvariable, Zufallsgröße oder stochastische Variable Auswertung − ( x− µ ) 2 2 fnorm ( x) := e 2⋅ σ 2π ⋅ σ Mittelwert ⌠ µ := ⌡ ∞ −∞ 19.5.2004 x ⋅ fnorm ( x) dx µ=8 ⌠ ⌡ ∞ fnorm ( x) dx = 1 A ( x) := x ⋅ fnorm ( x) Rechengröße −∞ Masszahl.mcd Statistische Maßzahlen 8 0.2 fnorm ( x) 2 0.1 10 A( x) 0 10 1 20 10 0 x Standardabweichung 2 σ := ⌠ ⌡ ∞ Rechengröße A(x) 2 ( x − µ ) ⋅ fnorm ( x) dx σ=2 −∞ Varianz τ = σ2 ⌠ τ := ⌡ ORIGIN = 0 ∞ 20 x Wahrscheinlichkeitsdichte der Normalverteilung B ( x) := ( x − µ ) ⋅ fnorm ( x) 10 2 ( x − µ ) ⋅ fnorm ( x) dx τ=4 ⌠ ⌡ B( x) 1 µ − σ 0 µ − σ µ−σ=6 1 µ + σ 0 µ + σ µ + σ = 10 C := D := −∞ 1 Grenzen des Streubereichs ∞ B ( x) dx = 4 Das Integral entspricht der Varianz. −∞ 〈 0〉 C 0.5 〈 0〉 D 10 0 10 〈 1〉 〈 1〉 x, C , D Rechengröße B(x) 20 Grenzen des Streubereichs Tschebyscheffsche Wahrscheinlichkeit k := 0.1 ⌠ Q := ⌡ µ + kσ ⌠ Q := ⌡ µ + kσ ⌠ Q := ⌡ µ + kσ fnorm ( x) dx Q = 0.08 1 − Q = 0.92 QTsch := µ − kσ k := 0.5 k fnorm ( x) dx Q = 0.383 1 − Q = 0.617 QTsch := µ − kσ k := 1 µ − kσ 19.5.2004 1 1 k fnorm ( x) dx Q = 0.683 1 − Q = 0.317 QTsch := 2 2 1 k 2 QTsch = 100 QTsch = 4 QTsch = 1 Masszahl.mcd Statistische Maßzahlen k := 1.5 ⌠ Q := ⌡ µ + kσ ⌠ Q := ⌡ µ + kσ ⌠ Q := ⌡ µ + kσ ⌠ Q := ⌡ µ + kσ fnorm ( x) dx Q = 0.866 9 1 − Q = 0.134 µ − kσ k := 2 k fnorm ( x) dx Q = 0.954 1 − Q = 0.046 k fnorm ( x) dx Q = 0.988 1 − Q = 0.012 k := 3 k fnorm ( x) dx Q = 0.997 −3 1 − Q = 2.7 × 10 µ − kσ 2 1 QTsch := µ − kσ 2 1 QTsch := µ − kσ k := 2.5 1 QTsch := 2 1 QTsch := k 2 QTsch = 0.444 QTsch = 0.25 QTsch = 0.16 QTsch = 0.111 Q ist die Wahrscheinlichkeit, dass die Zufallsvariable x im Bereich µ −k σ . . . µ + k σ liegt und 1−Q ist die Wahrscheinlichkeit, dass die Zufallsvariable außerhalb liegt. Wie die Werte 1−Q (Normalverteilung) und QTsch (Tschebyscheffsche Ungleichung) zeigen, liefert die Tschebyscheffsche Ungleichung nur grob angenäherte Werte. Varianzberechnung Rechenbeispiel Variable und Parameter H absolute Häufigkeit der Ereignisse (Matrix) xi Zufallsvariable (Matrix) m := 16 Anzahl der Klassen mit den gehäuften Zufallsvariablen Auswertung n Mittelwert m −1 Anzahl der Stichproben ∑ m −1 n := ∑ Hi n = 74 ORIGIN = 0 µ := i = 0 µ = 8.743 m −1 ∑ i = 0 xi Hi Hi i = 0 3 3 3 4 5 5 5 5 H := 6 7 7 7 5 4 3 2 1 2 3 4 5 6 7 8 x := 9 10 11 12 13 14 15 16 Varianz τ := m −1 2 ⋅ Hi ⋅ ( xi − µ ) Hi − 1 i = 0 1 m −1 i = 0 ∑ ∑ τ = 16.111 ORIGIN = 0 Standardabweichung σ := τ 19.5.2004 σ = 4.014 Masszahl.mcd Statistische Maßzahlen 10 Häufigkeit relative Häufigkeit 8 h := ∑ 6 0 0 0.041 1 0.041 2 0.041 3 0.054 4 0.068 5 0.068 6 0.068 h= 7 0.068 8 0.081 Hi i = 0 H 4 2 H m −1 m −1 ∑ 0 5 10 15 hi = 1 i = 0 20 x absolute Häufigkeit Varianz (Alternativ-Formel) τ := m −1 ⋅ 1 ∑ m −1 Hi − 1 i = i = 0 ∑ [8] S.36 m −1 ( )2 − µ2 ⋅ ∑ Hi ⋅ xi 0 m −1 2 2 τ := ⋅ Hi ⋅ ( xi) − µ ⋅ n ( n − 1) i = 0 1 ∑ i = 0 [9] S.19 ORIGIN = 0 Hi Beide Formeln führen zu demselben Ergebnis. 9 0.095 10 0.095 11 0.095 12 0.068 13 0.054 14 0.041 15 0.027 0.1 τ = 16.111 h 0.05 Standardabweichung σ := τ σ = 4.014 0 5 10 15 20 x relative Häufigkeit 19.5.2004 Masszahl.mcd