5 Suchergebnisse

Der französische Mathematiker PIERRE SIMON DE LAPLACE (1749 bis 1827) untersuchte als einer der Ersten intensiv Zufallsexperimente, bei denen sinnvollerweise angenommen werden kann, dass jedes seiner Ergebnisse mit der gleichen Wahrscheinlichkeit eintritt.

Auf der Suche nach „dem durchschnittlichen, dem normalen Menschen“ (l' homme moyen) ließ der auf vielen Gebieten tätige belgische Wissenschaftler LAMBERT ADOLPHE JACQUES QUÉTELET (1796 bis 1874) in den 30er Jahren des 19. Jahrhunderts biometrische Messungen in großem Umfang durchführen. In vielen Fällen wurde dabei seine Vorstellung bestätigt, dass die Häufigkeitsverteilung der gemessenen Werte (etwa zum Brustumfang) einer symmetrischen Glockenkurve entspricht. Das mag wohl auch ein wichtiger Grund dafür gewesen sein, dieser gleichsam als naturgemäß angesehenen Verteilung den Namen Normalverteilung zu geben, wobei diese Bezeichnung auch zu allerlei Fehldeutungen führte – vor allem dann, wenn alles nicht Normalverteilte als anormal eingestuft wurde.

Eine Normalverteilung $N\left(\mu ;{\sigma }^2\right)$ wird vollständig bestimmt durch ihren Erwartungswert $\mu$ und ihre Streuung ${\sigma }^2$. Es liegt deshalb die Frage nahe, ob man eine beliebige Normalverteilung in eine spezielle Normalverteilung transformieren kann – und zwar in eine mit solchen Parametern, die den Termen ihrer Dichte- und Verteilungsfunktion eine möglichst einfache Gestalt geben. Für eine $\left(0;1\right)\text{-normalverteilte}$ Zufallsgröße wäre dies der Fall:
Für die Werte $\mu =0und\sigma =1$ erhält man als Spezialfall die Standardnormalverteilung.

Es sei X eine standardnormalverteilte Zufallsgröße mit der Dichtefunktion
$\varphi \left(x\right)\text{:}x\mapsto \frac{1}{\sqrt{2\pi }}{e}^{-\frac{1}{2}{x}^2}(x\in ℝ)$
und der gaußschen Glockenkurve als Graph ihrer Dichtefunktion.

Die Verteilungsfunktion von X wird mit $\Phi$ bezeichnet und gaußsche Summenfunktion (bzw. auch gaußsche Integralfunktion oder GAUSSsches Fehlerintegral) genannt.
Es gilt:
$P\left(X\le a\right)=\Phi \left(a\right)={\displaystyle \underset{-\infty }{\overset{a}{\int }}\varphi \left(x\right)dx}$

Eine Zufallsgröße wird vollständig durch ihre Verteilungsfunktion beschrieben. Diese gibt an, welche Werte die Zufallsgröße annehmen kann und mit welchen Wahrscheinlichkeiten sie dies tut.
In der Praxis möchte man allerdings meist mit möglichst wenigen, aber typischen Angaben auskommen, denn oftmals reicht schon eine grobe Vorstellung von der Zufallsgröße aus. Es kommt hinzu, dass die Verteilungsfunktion mitunter gar nicht oder nur schwer bestimmbar ist.

Man sucht deshalb nach Kenngrößen (manchmal spricht man auch von Parametern), die einen hinreichenden Aufschluss und eine quantitative Charakterisierung einer Zufallsgröße ermöglichen. Dies leisten Kenngrößen wie Erwartungswert, Median und Modalwert sowie die Streuung (bzw. Varianz) der Zufallsgröße.
Zur Charakterisierung der Asymmetrie einer Zufallsgröße benutzt man darüber hinaus die Kenngröße Schiefe. Eine Definition dieser Kenngröße geht auf den Vater der mathematischen Statistik KARL PEARSON (1857 bis 1936) zurück.