Wahrscheinlichkeit II
Wahrscheinlichkeit II
Wahrscheinlichkeit II
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Wahrscheinlichkeit</strong>stheorie <strong>II</strong><br />
S.Tomczyk@gmx.net
Ablauf<br />
1. Kombinatorik<br />
2. Verteilungsfunktionen<br />
3. Standardfehler
Kombinatorik und WS<br />
→ eigentlich nur in dem Maße relevant, in<br />
dem es auf dem Formelblatt auftaucht!<br />
(Bernoulli, Laplace, Binomialverteilung,<br />
Theorem von Bayes(Bedingte WS))<br />
ABER: Grundlegendes Verständnis hilft bei<br />
weiterführenden Aufgaben!
A priori- oder Laplace-<br />
<strong>Wahrscheinlichkeit</strong>(WS)<br />
Wenn vor Durchführung eines Zufallsexperiments:<br />
-<br />
Alle möglichen Ereignisse bekannt sind<br />
-<br />
und jedes Ereignis mit der gleichen WS auftritt<br />
dann kann die WS für das Auftreten eines Ereignisses<br />
(A) im Vorhinein („a priori“) mittels der Formel von<br />
Laplace geschätzt werden.<br />
p ( A)<br />
=<br />
Relativer Anteil<br />
der „günstigen Fälle“ an allen<br />
möglichen Ereignissen.<br />
N<br />
n<br />
A<br />
gesamt
A posteriori oder Bernoulli-WS<br />
In er psychologischen Forschungspraxis ist a priori<br />
zumeist weder die Anzahl der möglichen Fälle bekannt, noch hat<br />
jeder Fall die gleiche Auftretenswahrscheinlichkeit (→ viele<br />
psychologisch relevante Variablen sind normalverteilt).<br />
Daher schätzt man die Häufigkeit des Auftretens von<br />
Elementarereignis A im Nachhinein („a posteriori)“ nach sehr<br />
vielen Durchgängen eines Zufallsexperiments mittels der Formel<br />
von Bernoulli.<br />
Grenzwert der relativen<br />
Häufigkeit des Eintretens der<br />
„günstigen Fälle“ bei sehr<br />
häufigem Durchführen eines<br />
Zufallsexperimentes.<br />
π<br />
(<br />
A)<br />
=<br />
lim<br />
N →<br />
∞<br />
n<br />
A<br />
N
Kombinatorik I
Kombinatorik <strong>II</strong><br />
Mit Reihenfolge(R), ohne Reihenfolge(oR), mit<br />
Zurücklegen(Z), ohne Zurücklegen(oZ)
Kombinatorik kompakt<br />
1. Variationsregel: R, Z, identische Teilräume(=<br />
Auftretenswahrscheinlichkeit)<br />
→ Würfelwurf (6^1 = 6 Möglichkeiten)<br />
2. Variationsregel: R, Z, verschiedene Teilräume<br />
→ Würfel + Münze; AB IV - Menüerstellung!<br />
Permutationsregel: R, oZ, vollständige Ziehung<br />
→ „Reise nach Jerusalem“<br />
Bsp. 5! = 5*4*3*2*1 = 120<br />
,
Kombinatorik kompakt<br />
1.Kombinationsregel: R, oZ, teilweise Ziehung<br />
→ 3 aus 12 Kugeln (12*11*10) [12! / 9!]<br />
2.Kombinationsregel: oR, oZ, Binomialkoeffizient<br />
= → Lotto: 6 aus 49<br />
3.Kombinationsregel: oR, oZ, verschieden große<br />
Teilgruppen<br />
→
Verteilungsfunktionen
Was sind Verteilungsfunktionen?<br />
Eine Verteilungsfunktion beschreibt die<br />
Ereignisse eines Zufallsexperiments, bei dem<br />
unendlich viele Elementarereignisse realisiert<br />
werden können.<br />
→ Die Skala einer<br />
kontinuierlichen Variable<br />
kann als Ereignisraum<br />
mit unendlich vielen<br />
möglichen<br />
Elementarereignissen<br />
verstanden werden.
Histogramm mit Verteilungsfunktion<br />
Dies Kurve gibt an, wie die<br />
Messwerte aussehen müssten,<br />
damit das erhobene Merkmal in<br />
der Stichprobe normalverteilt ist.
Nutzen von Verteilungsfunktionen<br />
Verteilungsfunktionen erlauben:<br />
...für beliebige Intervalle die Anzahl der im Bereich von x<br />
liegenden Probanden zu bestimmen.<br />
...Sie ermöglichen auch, die WS dafür zu berechnen, dass ein<br />
einzelner Proband einen Messwert im Intervall x aufweist.<br />
...Mathematisch benötige ich hierfür die Funktion der<br />
Verteilungskurve der Messwerte meiner Stichprobe.<br />
...Die Bestimmung der Anzahl meiner Probanden im<br />
Messbereich x erfolgt mittels Integralrechnung.<br />
In der Praxis brauchen wir keine Integrale, sondern lesen<br />
unserer Ergebnisse aus Verteilungstabellen ab!
.30<br />
.20<br />
.10<br />
d<br />
Eine Verteilungsfunktionen<br />
Beispiel: Wenn für eine Funktion f gilt:<br />
25<br />
∫ − ∞<br />
dann ist die <strong>Wahrscheinlichkeit</strong> einen Wert<br />
von x ≤ 25 zu erzielen p = .20.<br />
f<br />
( x)<br />
dx<br />
=<br />
0.2<br />
Man kann die <strong>Wahrscheinlichkeit</strong><br />
für beliebige Wertebereiche<br />
angeben, z.B.:<br />
z.B. p(25 ≤ x ≤ 75) = 0.71<br />
.00<br />
x=25<br />
x
Wir erinnern uns…<br />
Rechtssteile Verteilung<br />
Linkssteile Verteilung<br />
AM Median<br />
Modus<br />
Modus Median AM<br />
= Normalverteilung
Die Standardnormalverteilung<br />
Ein Normalverteilung mit einem Mittelwert von 0 und einer<br />
Streuung von 1 heißt Standardnormalverteilung.<br />
Jede normalverteilte Variable kann einfach in eine Standardnormalverteilung<br />
transformiert werden. Dafür muss für jeden<br />
Wert einer Stichprobe folgende Formel angewandt werden:<br />
x<br />
neu<br />
xalt<br />
−<br />
= zx<br />
=<br />
σ<br />
Diese Transformation nennt man auch Standardisierung.<br />
Die Standardisierung erlaubt uns auch, Untersuchungen des<br />
gleichen Merkmals, die jedoch mit verschieden skalierten<br />
Messinstrumenten durchgeführt wurden, zu vergleichen.<br />
µ
Schätzung von Prozenträngen<br />
Ein Prozentrang gibt an, wie viel Prozent der<br />
Population Werte kleiner oder gleich einem<br />
kritischen Wert haben.<br />
Wenn man Mittelwert und Standardabweichung<br />
eines Merkmals kennt, und dieses normalverteilt<br />
ist, kann man den Prozentrang aus der z-<br />
Verteilungstabelle ablesen.<br />
Der z-Wert entspricht der Abweichung vom<br />
Mittelwert in „Standardabweichungs-Einheiten“<br />
(z.B. bei 1,5 Std.-Abweichungen über dem<br />
Mittelwert z = 1.50).
Die Standardnormalverteilung<br />
z Fläche z Fläche z Fläche z Fläche<br />
-3.00 0.00 -1.50 0.07 0.00 0.50 1.50 0.93<br />
-2.90 0.00 -1.40 0.08 0.10 0.54 1.60 0.95<br />
-2.80 0.00 -1.30 0.10 0.20 0.58 1.70 0.96<br />
-2.70 0.00 -1.20 0.12 0.30 0.62 1.80 0.96<br />
-2.60 0.00 -1.10 0.14 0.40 0.66 1.90 0.97<br />
-2.50 0.01 -1.00 0.16 0.50 0.69 2.00 0.98<br />
-2.40 0.01 -0.90 0.18 0.60 0.73 2.10 0.98<br />
-2.30 0.01 -0.80 0.21 0.70 0.76 2.20 0.99<br />
-2.20 0.01 -0.70 0.24 0.80 0.79 2.30 0.99<br />
-2.10 0.02 -0.60 0.27 0.90 0.82 2.40 0.99<br />
-2.00 0.02 -0.50 0.31 1.00 0.84 2.50 0.99<br />
-1.90 0.03 -0.40 0.34 1.10 0.86 2.60 1.00<br />
-1.80 0.04 -0.30 0.38 1.20 0.88 2.70 1.00<br />
-1.70 0.04 -0.20 0.42 1.30 0.90 2.80 1.00<br />
-1.60 0.05 -0.10 0.46 1.40 0.92 2.90 1.00
Die Standardnormalverteilung<br />
Interpretation von z-Werten:<br />
f(z)<br />
2% 14% 68% 14% 2%<br />
-2<br />
-1<br />
0 1 2<br />
z
Beispiel<br />
o Ein junger Japaner kommt neu in eine finnische<br />
Schulklasse. Der Mathelehrer weiß, dass laut<br />
PISA und Co. die japanischen und finnischen<br />
Schüler fast identische mathematische<br />
Fähigkeiten aufweisen. Der Lehrer möchte nun<br />
ganz genau Wissen, wo der Schüler von seiner<br />
Leistung her einzuordnen ist, Leider haben die<br />
Japaner aber ein ganz anders Notensystem.<br />
o Wie kann sich der Lehrer helfen, welche<br />
Informationen muss er gegebenenfalls einholen<br />
und welche Voraussetzungen sind zu beachten?
Ergebnis<br />
Der Lehrer benötigt den Mittelwert, die<br />
Standardabweichung aus Japan und die<br />
individuelle Note des japanischen Schülers.<br />
Damit kann er durch z-Transformation den<br />
Prozentrang und somit die (zu erwartende)<br />
Leistung des Japaners in seiner Klasse exakt<br />
bestimmen.<br />
Wenn die Schulleistung der Japaner nicht mit<br />
der finnischen vergleichbar ist können wir das<br />
Problem nur lösen wenn wir die<br />
Leistungsunterschiede in z-Einheiten kennen;<br />
etwa: Ein japanischer Schüler ist einem<br />
gleichaltrigen finnischen Schüler im Mittel um<br />
eine halbe SD überlegen.
z-Testlogik grafisch
Weitere Verteilungsformen<br />
Diskrete vs. stetige Verteilungsfunktionen<br />
Diskret: p für Siedler von Catan<br />
Stetig: p für „Gauß“
Binomialverteilung<br />
Aus Bernoulli-WS erzeugtes Ergebnis, das<br />
komplementäre Ereignisse betrachtet:<br />
Bsp. Kopf oder Zahl?<br />
Klausurraten bei Multiple Choice
Binomialverteilung<br />
[Sonderfall:Bernoulliverteilung(diskrete Zufallsverteilung<br />
mit Ereignissen 0(q) und 1(1-q=p))]
Andere Verteilungen...<br />
Poisson: Große Stichprobe(N), geringe WS(p)!<br />
Hypergeometrisch: Begrenze Anzahl an Ereignissen, oZ<br />
(Standard-)Normalverteilung: siehe oben
x² - Verteilung<br />
→stat. bedeutsame<br />
Häufigkeitsunterschiede!<br />
Erwartungswert =<br />
Freiheitsgrad
t- Verteilung<br />
Mittelwertsunterschied<br />
in zwei Gruppen/<br />
Messzeitpunkten<br />
df = N-1<br />
df > 30 – eher z,<br />
df = 120 - z-Verteilung
Verteilungsfunktion der t-<br />
Verteilungen* (t-Tabelle).<br />
t-Tabelle
Grafische Erläuterung I<br />
Verteilungsfunktion der<br />
Mittelwertsdifferenzen<br />
Analog zu Stichprobenverteilungen und Verteilungen deskriptiver Kennwerte,<br />
haben auch Mittelwertsdifferenzen eine Verteilung.<br />
Als Normalverteilung ist diese definiert über einen Mittelwert (Mittelwert der<br />
Mittelwertsdifferenz) und ein Abweichungsmaß (Standardfehler der<br />
Mittelwertsdifferenz).<br />
Damit können wir aus einer Normtabelle (t-Tabelle) für jeden Punkt der<br />
Verteilung ablesen, welche Fläche unter der Kurve er repräsentiert.
Grafische Erläuterung <strong>II</strong><br />
Verteilungsfunktion der<br />
Mittelwertsdifferenzen<br />
Per Konvention ist für statistische Signifikanz die 95%-Grenze definiert.<br />
Die Spalte p = 0.950 der t-Tabelle gibt euch also die kritischen Grenzen an, ab der<br />
die Untersuchungseinheiten (Stichproben) mit 95% WS (→ Alphaniveau 5%) zu<br />
verschiedenen Populationen gehören.<br />
Diese Logik, haben wir schon bei der z-Transformation kennengelernt. Statt<br />
Einzelwert und Stichprobe werden beim t-Test nun zwei Stichproben in Beziehung<br />
gesetzt. Das Prinzip ist jedoch identisch.
t-Testlogik grafisch<br />
x<br />
Stichprobe 1 Stichprobe 2<br />
x<br />
Kritische Grenze der<br />
Mittelwertsdifferenz
F-Verteilung<br />
<br />
<br />
Kombination von<br />
zwei x² - Funktionen<br />
daher zwei df !<br />
(Zähler/Nenner)<br />
Varianzhomogenität<br />
Varianzanalyse<br />
<br />
zwei df (→ Tabelle)
F-Werte-Tabelle<br />
Zwei df! → F(15, 6) = 3,94
Zusammenfassung
Stichprobenkennwerteverteilung<br />
Der Standardfehler
Stichprobenkennwerteverteilungen<br />
o Auch Stichprobenkennwerte wie der Mittelwert<br />
haben eine Verteilung<br />
o Diese ergibt sich, wenn man sehr oft (gegen<br />
unendlich) aus einer Population Stichproben<br />
zieht.<br />
o Dies erzeugt wieder eine Normalverteilung: Viele<br />
Stichproben nahe am wahren Wert, wenige viel<br />
kleiner bzw. größer (zentraler Grenzwertsatz).<br />
o Diese wird wie jede Normalverteilung durch<br />
einen Mittelwert und ein Streuungsmaß<br />
beschrieben.<br />
o Für Stichprobenkennwerte bezeichnen wir diese<br />
Maße als „Standardfehler“.
Standardfehler und ihre<br />
Berechnung
Nutzen der Standardfehler<br />
o Wir können Standardfehler direkt berechnen,<br />
ohne dass wir mehrere Stichproben erheben<br />
müssen.<br />
o Der Standardfehler wiederum erlaubt uns eine<br />
Schätzung darüber, mit welcher Sicherheit der<br />
wahre Wert in einem Intervall um unseren<br />
empirischen Wert liegt.<br />
o Wir sprechen von einem Konfidenzintervall.<br />
o Grundlage der Berechnung des<br />
Konfidenzintervalls ist die Normalverteilung von<br />
Stichprobenkennwerten.
Interpretation von z-Werten:<br />
f(z)<br />
2% 14% 68% 14% 2%<br />
-2<br />
-1<br />
0 1 2<br />
z
Wichtige Konfidenzintervalle
Beispiel 1<br />
o Wie groß ist der Standardfehler des Mittelwerts<br />
der Variable „alkohol“ (= Anzahl Gläser Alkohol<br />
pro Woche) (M = 3.31;SD = 3.59, N = 58)?<br />
o Wie groß ist das 95% Konfidenzintervall?
Beispiel 2<br />
o Wie groß ist der Standardfehler des Medians der<br />
Variable „alkohol“ (= Anzahl Gläser Alkohol pro<br />
Woche) (Md = 2; SD = 3.59, N 58)?<br />
o Wie groß ist das 95% Konfidenzintervall?
Beispiel 3<br />
o Wie groß ist der Standardfehler der Standardabweichung<br />
der Variable „alkohol“ (SD = 3.59, N<br />
58)?<br />
o Wie groß ist das 95% Konfidenzintervall?
Aufgabe 1<br />
Was ist der Standardfehler des Mittelwerts?<br />
(a) Definieren sie den Begriff und<br />
(b) geben Sie die entsprechende Formel an.<br />
Der Standardfehler des Mittelwerts ist die<br />
Standardabweichung der<br />
Stichprobenkennwerteverteilung<br />
des Mittelwerts.
Aufgabe 2<br />
Was ist ein Konfidenzintervall?<br />
(a) Definieren sie den Begriff und<br />
(b) geben Sie die entsprechende Formel für<br />
das 95%-Konfidenzintervall des Mittelwerts<br />
an.<br />
Das Konfidenzintervall(hier: Mutungsintervall)<br />
gibt an, in welchem Bereich um den<br />
Stichprobenkennwert sich der<br />
Populationskennwert mit einer festgelegten<br />
<strong>Wahrscheinlichkeit</strong> befindet.<br />
Das 95%ige<br />
Konfidenzintervall des<br />
Mittelwerts ist:
Aufgabe 3<br />
Berechnen Sie den<br />
Standardfehler des Mittelwerts,<br />
des Medians und der<br />
Standardabweichung für die<br />
in der Tabelle angegebene<br />
Verteilung. Geben Sie für alle<br />
Kennwerte auch das 95%-<br />
Konfidenzintervall an.<br />
Versuchspers<br />
on<br />
1 2<br />
2 3<br />
3 5<br />
4 4<br />
5 3<br />
6 2<br />
7 2<br />
8 3<br />
9 2<br />
10 3<br />
Wert
Aufgabe 4<br />
Wert<br />
0<br />
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
8<br />
9<br />
10<br />
Häufigkeit<br />
1<br />
2<br />
4<br />
8<br />
21<br />
29<br />
18<br />
9<br />
5<br />
3<br />
0<br />
Berechnet für die<br />
Zufriedenheit der<br />
Freiburger Psychologie-<br />
Bachelorstudenten den<br />
Standardfehler des<br />
Mittelwerts, des Medians<br />
und der Standardabweichung.<br />
Gebt für alle drei<br />
Kennwerte das 99%-<br />
Konfidenzintervall an.
Standardfehler für andere Kennwerte<br />
Kennwert<br />
Standardfehler<br />
Geschätzter<br />
Standardfehler<br />
99% Konfidenzintervall: 2,57 Abweichungs-Einheiten Standardfehler für andere 1 25 ⋅σ<br />
laut z-Tabelle. Kennwerte<br />
x<br />
1 25 ⋅σˆ<br />
Median σ =<br />
Md<br />
Geschätzter σˆ =<br />
Md<br />
Kennwert<br />
Standardfehler N<br />
N<br />
Standardfehler<br />
2 2<br />
Standardfehler Mittelwert: 0,172<br />
1 25 σ ⋅σ σ<br />
Geschätzter 1 25 σˆ<br />
⋅σˆ σˆ<br />
Arithmetisches Mittel x x<br />
x<br />
Kennwert<br />
Standardfehler<br />
x<br />
Median σ σ = =<br />
x x<br />
x<br />
σˆ σˆ = =<br />
x<br />
Mittelwert: 5,01<br />
Md N Md<br />
N N Standardfehler N N<br />
Standardfehler Median: 0,215<br />
1 25<br />
σ<br />
⋅σ<br />
σˆ<br />
2 x<br />
2<br />
x<br />
1 25 ⋅σˆ x<br />
Standardabweichung σσ<br />
x<br />
Median σ σ= = σ σˆσ<br />
Md<br />
σˆ σˆ = = σˆ<br />
Arithmetisches Mittel x x<br />
σ = = 2 Md<br />
Median: 5<br />
N<br />
x x<br />
σˆ = = 2 N<br />
x<br />
x<br />
N N N N N<br />
2 2<br />
Standardabweichung (SD): 1,72<br />
σ σ<br />
x x<br />
σˆ σˆ<br />
x<br />
σˆ<br />
Arithmetisches Mittel σ = = x<br />
Standardabweichung σσ = x<br />
x<br />
σˆ σˆσ = =<br />
x<br />
Standardfehler SD: 0,12<br />
N 2 N N N 2 N N<br />
σ<br />
σˆ<br />
x<br />
x<br />
Standardabweichung σσ = σˆσ =<br />
99% Konfidenzintervall des Mittelwerts: 4,57 < µ < 5,452 N 2 N<br />
99% Konfidenzintervall des Medians: 4,45 < MDpop < 5,55<br />
99% Konfidenzintervall der SD: 1,41 < SDpop < 2,01<br />
x
Aufgabe 5<br />
Die Schulleistung in der Oberstufe in Bayern ist insgesamt<br />
normalverteilt. Eine Verordnung des Schulministeriums fordert<br />
die Lehrer auf, ihre besten Schüler der Bayerischen<br />
Landesbegabtenförderung zu melden. Im Kleingedruckten<br />
heißt es, Schüler mit einem Prozentrang von 99% oder größer<br />
in Bezug auf die Variable Schulleistung, also die besten 1%,<br />
sollten vorgeschlagen werden. Der Mittelwert der Schulnoten<br />
liegt bei 8.8, die Standardabweichung bei 2.6 (Notensystem<br />
0-15). Welche Note muss ein Schüler mindestens erreichen,<br />
damit er hier in Frage kommt?<br />
xalt<br />
− µ<br />
xneu<br />
= z<br />
x<br />
=<br />
σ<br />
Nur mit 15 Punkten erreicht man<br />
xalt<br />
− 8,8<br />
2,2 =<br />
nach der z-Transformation einen<br />
2,6<br />
PR von 99.<br />
...<br />
x<br />
=<br />
14,52
Aufgabe 6<br />
Ein Lehrer aus einer kleinen und sehr alternativen<br />
Privatschule möchte gerne einen seiner Schüler für die<br />
Förderung vorschlagen. Der Notendurchschnitt in seiner<br />
Klasse beträgt 14.3, die Standardabweichung liegt bei<br />
0.5. Welches Problem taucht hier aus eurer Sicht auf?<br />
Die Leistung in dieser Klasse ist nicht annähernd<br />
normalverteilt und damit nicht mit der durchschnittlichen<br />
Schulleistung vergleichbar. Würde man die hier z-<br />
Transformieren, so könnte auch mit einer Leistung von<br />
15 Punkten kein PR von 99 erreicht werden.
Vorgehen beim t-Test<br />
o<br />
Grundfrage: Welcher Test ist geeignet?*<br />
Synonym:<br />
t-Test für<br />
unabhängige<br />
Stichproben
Weiteres Vorgehen<br />
o Formulierung der Hypothesen (gerichtet oder<br />
ungerichtet).<br />
o Berechnung der Mittelwertsdifferenz und des<br />
zugehörigen Standardfehlers.<br />
→ empirischer t-Wert<br />
o Vergleich von empirischem mit dem von den<br />
Freiheitsgraden und Art der Hypothese<br />
abhängigen kritischen t-Wert aus der t-Tabelle.<br />
→ Entscheidung für H0 bzw. H1.
Verteilungsfunktion der t-<br />
Verteilungen (t-Tabelle).<br />
t-Tabelle
Z-Werte - Aufgabe<br />
Ein Persönlichkeitstest hat<br />
einen Mittelwert von 50 und<br />
eine Standardabweichung<br />
von 10.<br />
Tragen Sie jeweils den<br />
zugehörigen z-Wert, die<br />
<strong>Wahrscheinlichkeit</strong> einen<br />
Wert kleiner oder gleich x<br />
zu erreichen, sowie den<br />
zugehörigen Prozentrang in<br />
die Tabelle ein.
Die Standardnormalverteilung<br />
z Fläche z Fläche z Fläche z Fläche<br />
-3.00 0.00 -1.50 0.07 0.00 0.50 1.50 0.93<br />
-2.90 0.00 -1.40 0.08 0.10 0.54 1.60 0.95<br />
-2.80 0.00 -1.30 0.10 0.20 0.58 1.70 0.96<br />
-2.70 0.00 -1.20 0.12 0.30 0.62 1.80 0.96<br />
-2.60 0.00 -1.10 0.14 0.40 0.66 1.90 0.97<br />
-2.50 0.01 -1.00 0.16 0.50 0.69 2.00 0.98<br />
-2.40 0.01 -0.90 0.18 0.60 0.73 2.10 0.98<br />
-2.30 0.01 -0.80 0.21 0.70 0.76 2.20 0.99<br />
-2.20 0.01 -0.70 0.24 0.80 0.79 2.30 0.99<br />
-2.10 0.02 -0.60 0.27 0.90 0.82 2.40 0.99<br />
-2.00 0.02 -0.50 0.31 1.00 0.84 2.50 0.99<br />
-1.90 0.03 -0.40 0.34 1.10 0.86 2.60 1.00<br />
-1.80 0.04 -0.30 0.38 1.20 0.88 2.70 1.00<br />
-1.70 0.04 -0.20 0.42 1.30 0.90 2.80 1.00<br />
-1.60 0.05 -0.10 0.46 1.40 0.92 2.90 1.00
x z p PR<br />
25 -2.5 .01 1%<br />
55 0.5 .69 69%<br />
40 -1 .16 16%<br />
60 1 .84 84%<br />
50 0 .5 50%<br />
70 2 .98 98%<br />
82 3.2 1 100%<br />
45 -0.5 0.31 31%<br />
51 0.1 0.54 54%
Vielen Dank für eure<br />
Aufmerksamkeit!