Handleiding PQRS

(Probabilities, Quantiles and Random Samples)

Sytse Knypstra

  
  
 Inhoud
Werken met PQRS discrete verdelingen: continue verdelingen:
Wat kun je met PQRS? Met eindige drager: • normaal
Kansverdeling specifice- • Bernoulli • gamma
ren • binomiaal • exponentieel
Kansen bepalen • discreet uniform • chi-kwadraat
Kwantielen bepalen • hypergeometrisch • Student’s t
Steekproef trekken, wil- Met aftelbaar oneindige drager: • F
lekeurig toewijzen • geometrisch • Cauchy
Kansverdelingen • negatief binomiaal • gevouwen normaal
Begrippen • Poisson • beta
Specificaties Verdelingen onder de nulhypothese • uniform
Verwijzingen van de toetsingsgrootheden bij de vol- • niet-centrale beta
Literatuur gende toetsen: • niet-centrale chi-kwadraat
• Wilcoxon rangtekentoets • niet-centrale t
• Wilcoxon rangsom toets • niet-centrale F
• Mann-Whitney toets • logistisch
• Kruskal-Wallis toets • log-normaal
• Friedman toets • Pareto
• Weibull
• Gumbel
• invers Gaussisch
• dubbel-exponentieel

  
  
 Wat kun je met PQRS?
Met PQRS kun je bij een groot aantal kansverdelingen: Voor de mogelijkheden a tot en met e moet je eerst de
a. kansen bepalen, kansverdeling specificeren. Dat gaat als volgt:
b. kwantielen bepalen (in zekere zin het omgekeerde 1. Direct na het opstarten is de geselecteerde verde-
van kansen), ling de (standaard-) normale verdeling (zie in
c. aselecte steekproeven trekken. het venster onder Distribution). Als je een andere
kansverdeling wilt: klik op het pijltje rechts er-
Verder kun je: van en selecteer uit de getoonde lijst een andere
d. de grafiek van de kansfunctie (bij discrete verdelin- verdeling.
gen) of de grafiek van de kansdichtheidsfunctie (bij 2. Specificeer de waarden van de parameter(s) achter
continue verdelingen) bekijken, het = teken.
e. de grafiek van de cumulatieve verdelingsfunctie (cdf) 3. Druk op Enter op het toetsenbord of klik met de
bekijken, muis op Apply New Distribution.
f. aselect eenheden toewijzen aan behandelingen, dit wil
zeggen: aselect de getallen 1, 2, . . . , n verdelen over Rechts zie je dan, door op de gewenste tab te klik-
een aantal groepen. ken, onder pdf de kansdichtheidsfunctie (als het gaat
om een continue verdeling), onder pmf de kansfunc-
tie (als het gaat om een discrete verdeling), onder cdf
de cumulatieve verdelingsfunctie en onder formulas de
formules behorende bij de nieuwe kansverdeling.

  
  
 Kansen bepalen
Als je kansen wilt bepalen bij de geselecteerde verdeling,
en het bovenliggende tabblad is pdf of pmf, vul dan een
x-waarde in in het schuifvenster direct onder de grafiek
(eerst de oude waarde verwijderen). Druk vervolgens op
Enter op het toetsenbord of klik met de linker muisknop
op Compute Probabilities.
Het schuifvenster is nu van plaats veranderd en boven-
dien zijn in de vensters eronder andere waarden versche-
nen. Het linker venster toont de kans P(X < x), het
rechter venster toont de kans P(X > x) en als de kans
op de waarde x zelf niet nul is (komt alleen voor bij dis-
crete verdelingen, dus bij het tabblad pmf) dan is er nog
een middelste venster recht onder het schuifvenster met
de kans P(X = x).
Het is ook mogelijk om het schuifvenster met de muis te
verslepen (met de linker muisknop op een van de twee
schuiven aan weerskanten klikken en ingedrukt houden;
vervolgens met de muis naar links of naar rechts bewe-
gen).
Als je de linker muisknop loslaat, verschijnen weer de
linker kans P(X < x), de rechter kans P(X > x) en
eventueel de kans P(X = x) in het midden.
Als het bovenliggende tabblad cdf is, dan vind je ook
een schuifvenster direct onder de grafiek. Ook nu kun
je in dit schuifvenster een nieuwe x-waarde invoeren.
Druk daarna op Enter op het toetsenbord of klik met
de linker muisknop op Compute Probabilities.
In het venster, links naast de grafiek, verschijnt dan
de kans P(X ≤ x). Dit komt overeen met de waar-
de van de cumulatieve verdelingsfunctie in het punt
x, vaak aangeduid als F (x). Ook hier kunnen we het
schuifvenster met de muis verslepen.
  
  
 Kwantielen bepalen
Op de vorige bladzijde werd beschreven hoe je kansen
kunt bepalen die horen bij een bepaalde x-waarde. Je
kunt ook het omgekeerde doen: zoek een x-waarde bij
een bepaalde kans. Kwantielen zijn x-waarden die zo zijn
gekozen dat de kans op x of op een kleinere waarde dan
x gelijk is aan een gespecificeerde kans.
Ze zijn het gemakkelijkst te bepalen als het bovenlig-
gende tabblad cdf is. Als bijvoorbeeld de geselecteerde
verdeling de standaard-normale verdeling is en je zoekt
het kwantiel bij de kans 0,975, vul dan 0,975 in in het
invulvenster links van de grafiek. Druk op de toets En-
ter op het toetsenbord of klik met de linker muisknop op
Compute Quantile en in het schuifvenster onder de grafiek
vind je de bijbehorende x-waarde, namelijk 1,96.
Als het bovenliggende tabblad pdf is, gaat het net zo
gemakkelijk. Nu vul je de kans 0,975 in in het linker
kansvenster en je drukt op Enter of je klikt op Compute
Quantile.
Als het bovenliggende tabblad pmf is, dus in het ge-
val van discrete verdelingen, is er doorgaans niet een
x-waarde die precies aan de eis voldoet dat de kans
P(X ≤ x) gelijk is aan de voorgeschreven kans. In dat
geval wordt de x-waarde genomen waarvoor de kans
P(X ≤ x) net iets groter is.
Als het bovenliggende tabblad pdf of pmf is, kun je
ook de kans P(X > x) vastleggen, op Enter drukken
of op Compute Quantile klikken en de bijbehorende x-
waarde vinden. Als het tabblad pmf is, zal doorgaans
geen x-waarde gevonden kunnen worden die precies
aan de eis voldoet. In dat geval wordt de x-waarde
genomen waarvoor de kans P(X > x) iets kleiner is
dan gespecificeerd.
  
  
 Steekproef trekken, willekeurig toewijzen
Bij iedere geselecteerde kansverdeling is het mogelijk een
aselecte steekproef te trekken. Kies uit het menu: Sample
en vervolgens: Draw random sample. Er verschijnt een dia-
loogvenster waarin men de gewenste steekproefomvang
(n) moet opgeven. Druk op OK en de uitkomsten van de
steekproef verschijnen op een apart tabblad sample.
Deze steekproefwaarden kunnen worden gekopieerd naar
het klembord (klik met rechter muisknop en kies daarna
Select All, vervolgens toetsencombinatie Ctrl-C), en weg-
geschreven naar een bestand: kies uit het menu: Sample
en vervolgens Save.
Om het tabblad sample te wissen: kies uit het menu: Sam-
ple en vervolgens Clear.
Het kan soms nodig zijn om bij een proef aselect expe-
rimentele eenheden toe te wijzen aan behandelingen.
Stel men wil aselect 75 proefpersonen indelen in drie
groepen.
Kies dan uit het menu: Sample en vervolgens: Random-
ly assign. Er verschijnt dan een dialoogvenster waarin
men achtervolgens het aantal eenheden en het aantal
groepen kan invullen. Druk op OK en er verschijnt het
tabblad sample met even veel kolommen met nummers
als er groepen zijn; de nummers (in ons geval 1 tot en
met 75) zijn willekeurig verdeeld in drie groepen van
25.
Deze indeling kan worden gekopieerd naar het klem-
bord (klik met rechter muisknop en kies daarna Select
All), , vervolgens toetsencombinatie Ctrl-C), en wegge-
schreven naar een bestand: kies uit het menu: Sample
en vervolgens Save.
Om het tabblad sample te wissen: kies uit het menu:
Sample en vervolgens Clear.
  
  
 Begrippen
Een stochastische variabele is een variabele die ver-
schillende waarden kan aannemen; de waarde die wordt
aangenomen, hangt af van het toeval. Een stochastische
variabele wordt meestal aangeduid met een hoofdletter,
bijvoorbeeld X. Bij een stochastische variabele hoort al-
tijd een kansverdeling.
Een kansverdeling legt vast hoe groot kansen op waar-
den x of kansen op intervallen a < x < b zijn. Kansen
liggen altijd tussen 0 en 1. De kansverdelingen in PQRS
zijn òf discreet òf continu.
Bij een discrete verdeling worden de kansen op be-
paalde waarden x gegeven; die kansen zijn positief en de
som van alle kansen is 1. Voorbeelden zijn de binomiale
verdeling en de Poisson-verdeling.
Bij een continue verdeling worden de kansen op in-
tervallen gegeven door middel van een hulpfunctie, de
kansdichtheidsfunctie. De kans op een interval (a, b)
is dan het oppervlak onder de grafiek van kansdicht-
heidsfunctie en boven dit interval. De totale kans, dus
de kans op het interval (−∞, ∞) is 1. Voorbeelden zijn
de normale verdeling en de exponentiële verdeling.
De (cumulatieve) verdelingsfunctie F (x) (Engels:
cdf) geeft voor iedere reëel getal x de kans op een waar-
de kleiner dan of gelijk aan x, dus F (x) = P(X ≤ x).
De verdelingsfunctie is altijd een niet-dalende functie
met waarden tussen 0 en 1. Als gevolg van bovenstaan-
de definitie is hij continu van rechts: als F (x) ergens
een sprongetje maakt, dan heeft hij in het sprongpunt
de waarde die aansluit bij de waarden rechts ervan.
  
  
 Begrippen
Een kwantiel bij een gegeven kans p is de x-waarde De variantie is een maat voor de spreiding van de
waarvoor F (x) = p. Dit geldt voor continue verdelingen. verdeling. Een andere maat voor de spreiding is de
Voor discrete verdelingen is doorgaans niet een x-waarde standaardafwijking; dit is de wortel uit de variantie.
te vinden die hier exact aan voldoet. In dat geval wordt Behalve door middel van de kansdichtheisfunctie, de
in PQRS x zo gekozen dat F (x) een klein beetje groter kansfunctie of de cumulatieve verdelingsfunctie, kan
is dan p. men een kansverdeling soms ook vastleggen door mid-
De drager van een verdeling is bij een discrete verde- del van de momenten genererende functie (mgf).
ling de verzameling x-waarden waarvoor de bijbehorende Sommige eigenschappen van kansverdelingen zijn ge-
kans groter dan 0 is. Bij een continue verdeling is het de makkelijk af te leiden door middel van momenten ge-
verzameling van x-waarden waarvoor de kansdichtheids- nererende functies. Formeel luidt de definitie (in een
functie positief is. omgeving van het punt t = 0): M (t) = E(etX ).
De verwachting(swaarde) is een maat voor het cen-
trum van de verdeling. Je kunt het opvatten als het
zwaartepunt: als je de kansverdeling voorstelt als een
massaverdeling op een balkje, dan is de verwachting het
punt waar je de balk moet ondersteunen opdat hij in
evenwicht blijft. De verwachting hoeft bij een discrete
verdeling niet gelijk te zijn aan één van de waarden x
met een positieve kans. De verwachting van de stochas-
tische variabele X wordt aangeduid met E(X).

  
  
 Specificaties
Bernoulli binomiaal Poisson discreet uniform
parameter(s) 0<p<1 n = 1, 2, . . ., λ>0 M geheel
0<p<1 N geheel; M < N
drager x = 0, 1 x = 1, 2, . . . , n x = 0, 1, . . . x = M, M + 1, . . . , N
(n) x e−λ λx
kansfunctie P(X = 0) = 1 − p x p (1 − p)
n−x
x!
1
N −M +1
en P(X = 1) = p
M +N
verwachting p np λ 2
(N −M )(N −M +2)
variantie p(1 − p) np(1 − p) λ 12
t eM t +e(M +1)t +···+eN t
mgf 1 − p + pet (1 − p + pet )n eλ(e −1) N −M +1

De Bernoulli verdeling is een bijzonder geval van de binomiale verdeling (n = 1).

De kansverdeling van het aantal ’successen’ bij n onafhankelijke experimenten, ieder met kans p op ’succes’ heet
binomiaal.
Voor de kansverdeling van het aantal keren dat een gebeurtenis optreedt in een bepaald tijdsinterval wordt vaak
de Poisson verdeling gebruikt.
Voorbeeld van de discreet uniforme verdeling: de uitkomst van een worp met een dobbelsteen (M = 1, N = 6).

  
  
 Specificaties
hypergeometrisch geometrisch negatief binomiaal
parameter(s) N = 2, 3, . . . 0<p<1 r = 1, 2, . . .
N1 = 1, . . . , N − 1 0<p<1
n = 1, . . . , N − 1
drager x = max(0, n − N + N1 ), . . . , min(n, N1 ) x = 0, 1, . . . x = 0, 1, . . .
−N1
(Nx1 )(Nn−x ) (r+x−1) r
kansfunctie p(1 − p)x p (1 − p)x
(Nn ) x
nN1 1−p r(1−p)
verwachting N p p
nN1 (N −N1 )(N −n) 1−p r(1−p)
variantie N 2 (N −1) p2 2
[ p ]r
p p
mgf 1−(1−p)et (1−(1−p)et )

De hypergeometrische verdeling komt voor in de volgende situatie: een verzameling bevat N objecten. Hiervan
hebben N1 een bepaalde eigenschap. n objecten worden aselect zonder teruglegging uit de verzameling getrokken.
Het aantal getrokken objecten met de eigenschap heeft dan een hypergeometrische verdeling.
De geometrische verdeling is een speciaal geval van de negatief binomiale verdeling (r = 1).
De verdeling van het aantal ’mislukkingen’ vóór het r-de ’succes’ in een reeks van onafhankelijke Bernoulli
experimenten met succeskans p is negatief binomiaal.
Pas op: soms wordt de negatief binomiale verdeling gedefinieerd als het aantal experimenten tot en met het r-de
’succes’ in een reeks van onafhankelijke Bernoulli experimenten met succeskans p.

  
  
 Specificaties
Wilcoxon rangteken- Wilcoxon rangsom toets Mann-Whitney
toets toets
parameter(s) n = 1, 2, . . . m = 1, 2, . . . m = 1, 2, . . .
n = 1, 2, . . . n = 1, 2, . . .
drager x = 1, 2, . . . , n(n+1)
2 x = m(m+1)
2 , . . . , m(m+1)
2 + mn x = 0, . . . , mn
1 1 1
verwachting 4 n(n + 1) 2 m(m + n + 1) 2 mn
1 1 1
variantie 24 n(n + 1)(2n + 1) 12 mn(m + n + 1) 12 mn(m + n + 1)

De Wilcoxon rangtekentoets wordt gebruikt om de nulhypothese van symmetrie te toetsen. Als 0 het sym-
metriepunt is, dan is de toetsingsgrootheid de som van de rangnummers van de positieve waarnemingen.
De Wilcoxon rangsom toets en de Mann-Whitney toets worden beide gebruikt om de gelijkheid van locatie
van twee populaties te toetsen.
Bij de Wilcoxon rangsomtoets is de toetsingsgrootheid R de som van de rangnummers behorende bij de eerste
steekproef (met m elementen).
Bij de Mann-Whitney toets is de toetsingsgrootheid U gelijk aan het aantal paren (xi , yj ) van waarnemingen xi
uit de eerste steekproef en yj uit de tweede steekproef, waarvoor xi > yj .
De twee toetsen zijn equivalent: Wilcoxon’s Rangsom R = Mann-Whitney’s U + 21 m(m + 1).

  
  
 Specificaties
Kruskal-Wallis toets Friedman toets
parameter(s) k = aantal groepen, k = aantal behandelingen,
n1 = 1, 2, . . . , n2 = 1, 2, . . . , ..., nk = 1, 2, . . . b = aantal blokken
drager x≥0 x≥0
De toets van Kruskal-Wallis wordt gebruikt voor het toetsen van verschillen in verwachte behandelingen tussen
k > 2 groepen als er geen normale verdelingen kunnen worden verondersteld voor de waarnemingen. De toetsings-
grootheid H wordt berekend op grond van de rangnummers die aan de waarnemingen (als ze alle samen worden
∑
k ( )
N +1 2
genomen) worden toegekend en is gelijk aan N (N 12
+1) ni Ri. − 2 . Hierbij is N het totale aantal waarne-
i=1
mingen, ni is het aantal waarnemingen in groep i, en Ri. is het gemiddelde rangnummer van de waarnemingen
in groep i.

De toets van Friedman wordt gebruikt om verschillen tussen behandelingen te toetsen in een volledig gerando-
k ( )2
12N ∑
miseerd blokontwerp. De toetsingsgrootheid is Q = k(k+1) Ri. − 12 (k + 1)
i=1
(zelfde notatie als bij Kruskal-Wallis).

De exacte verdeling van zowel de toetsingsgrootheden H als Q kan in PQRS alleen binnen redelijke tijd worden
berekend als het aantal groepen niet te groot is en het aantal waarnemingen klein is. In andere gevallen kan men
de verdeling van zowel H als Q benaderen met een chi-kwadraat verdeling met k − 1 vrijheidsgraden.

  
  
 Specificaties
normaal gamma exponentieel chi-kwadraat
parameter(s) µ α>0 λ>0 ν>0
σ 2 > 0 (of σ > 0) λ>0
drager −∞ < x < ∞ x>0 x>0 x>0
(x−µ)2 ν
− λα α−1 −λx 2− 2 ν−2
λe−λx 2 e− 2
x
kansdichtheid √ 1 e
Γ(α) x e Γ( ν2 ) x
2σ 2
2πσ 2
α 1
verwachting µ λ λ ν
α 1
variantie σ2 2 λ2
2ν
1 2 2 ( λ )α
λ
(1 − 2t)− 2
λ ν
mgf eµt+ 2 σ t
λ−t λ−t

De Gaussische of normale verdeling speelt een zeer belangrijke rol in de statistiek, onder meer vanwege de
Centrale Limiet Stelling: als X1 , ..., Xn onafhankelijk zijn en gelijk verdeeld (met eindige variantie) dan is de
verdeling van hun som (en hun gemiddelde) bij benadering normaal.
Bijzonder geval: de standaard-normale verdeling, met µ = 0 en σ 2 = 1.
Bij de gamma verdeling wordt soms in plaats van λ als tweede parameter θ = λ1 genomen.
De exponentiële verdeling is een speciaal geval van de gamma verdeling (α = 1) en een speciaal geval van
de Weibull verdeling (b = 1); zij wordt gebruikt bij het modelleren van wachttijden.
De chi-kwadraatverdeling is ook een speciaal geval van de gamma verdeling (α = ν2 en λ = 21 ). Als het aantal
vrijheidsgraden zeer groot is, benadert PQRS de chi-kwadraat verdeling met een normale verdeling.

  
  
 Specificaties
Student’s t F Cauchy
parameter(s) ν>0 m>0 α
n>0 β>0
drager −∞ < x < ∞ x>0 −∞ < x < ∞
Γ( ν+1 x2 − ν+1 Γ( m+n
kansdichtheid 2 ) √1
(1 + ν )
2 2 ) m m m−2 mx − m+n
n ( n ) 2 x 2 (1 + n ) 2 [ 1 ]
Γ( ν2 ) νπ Γ( m )Γ( ) 2
2 2 πβ 1+( x−a
b )
n
verwachting 0 als ν > 1; n−2 bestaat niet
bestaat niet als 0 < ν ≤ 1
ν 2n2 (m+n−2)
variantie ν−2 als ν > 2; m(n−2)2 (n−4)
bestaat niet
bestaat niet als 0 < ν ≤ 2
Bij een aselecte steekproef uit een normale verdeling kan men toetsen op een bepaalde waarde van µ. Als toet-
singsgrootheid gebruikt men dan een grootheid die de t-verdeling heeft. Bij twee normale verdelingen gebruikt
men een t-verdeelde grootheid om de µ’s te vergelijken. Als het aantal vrijheidsgraden zeer groot is, benadert
PQRS de t-verdeling met een standaard-normale verdeling.
De F-verdeling wordt gebruikt voor toetsen van gelijkheid van twee varianties bij steekproeven uit normale
verdelingen en bovendien in het kader van lineaire modellen (lineaire regressie en variantieanalyse). Als het
aantal vrijheidsgraden zeer groot is, benadert PQRS de F -verdeling met een chi-kwadraat verdeling.
De Cauchy verdeling is een speciaal geval van de Student’s t-verdeling (ν = 1). Een bijzondere eigenschap van
de Cauchy verdeling is dat de verwachting en de variantie niet bestaan.

  
  
 Specificaties
gevouwen normaal beta uniform niet-centrale
beta
parameter(s) µ α>0 α α>0
σ2 > 0 β>0 β>α β>0
λ
drager x≥0 0<x<1 α<x<β
kansdichtheid f (x) + f (−x) 1 α−1 (1 − x)β−1 1
B(α,β) x β−α
√ 2
−µ α+β
verwachting σ π2 e 2σ2 +µ{1−2F (0)} α
α+β 2
αβ (β−α)2
variantie µ2 + σ 2 − { E(X)}2 (α+β+1)(α+β)2 12
eβt −eαt
mgf (β−α)t

De gevouwen normale verdeling is de verdeling van X = |Y | als Y normaal is verdeeld met met parameters
µ en σ 2 . De functies f (.) en F (.) in deze kolom zijn de kandichtheid en de cumulatieve verdelingsfunctie van Y .
De beta verdeling heeft een positieve kansdichtheid uitsluitend op het interval 0 < x < 1.
De beta verdeling met parameters 0 en 1 levert een uniforme verdeling op (met α = 1 en β = 1).
De niet-centrale beta verdeling hangt nauw samen met de niet-centrale F -verdeling.
De programmering van de niet-centrale beta verdeling is gebaseerd op het artikel van Frick (1990).

  
  
 Specificaties
niet-centrale chi2 niet-centrale F niet-centrale t
parameter(s) ν>0 m>0 ν>0
λ≥0 n>0 δ
λ≥0
drager x>0 x>0 −∞ < x < ∞
(m+λ)n √ Γ( ν−1 )
verwachting ν+λ m(n−2) δ ν2 Γ( ν2 )
2
[ ]2
( n )2 (2m+4λ)(n−2)+2(m+λ)2 2
ν(1+δ )
ν−1
ν δΓ( 2 )
variantie 2ν + 4λ m (n−2)2 (n−4) n−2 − 2 Γ( ν )
2
∑
Als X1 , . . . , Xk onafhankelijk zijn en Xi ∼ N(µi , 1), dan heeft U = ki=1 Xi2 een niet-centrale chi-kwadraat
∑
verdeling met k vrijheidsgraden en niet-centraliteitsparameter λ = ki=1 µ2i .
Als we, onafhankelijk van U , een variabele V definiëren die een (centrale) chi-kwadraat verdeling heeft met
m vrijheidsgraden, dan heeft F = VU/k /m een niet-centrale F verdeling met k en m vrijheidsgraden en niet-
centraliteitsparameter λ.
Als X ∼ N(δ, 1), en V heeft, onafhankelijk van X, een (centrale) chi-kwadraat verdeling met m vrijheidsgraden,
dan heeft T = √ X een niet-centrale t verdeling met m vrijheidsgraden en niet-centraliteitsparameter δ.
V /m
Als de niet-centraliteitsparameter 0 is, dan gaat het om een gelijknamige (centrale) verdeling.
Bij de programmering van de niet-centrale verdelingen zijn de ideeën toegepast uit het artikel van Frick (1990).

  
  
 Specificaties
logistisch Gumbel Pareto
parameter(s) α α α>0
β>0 β>0 θ>0
drager −∞ < x < ∞ −∞ < x < ∞ x>α
[( ) ]
θ
cdf 1
− x−α
exp[− exp((a − x)/b)] θ αx − 1
1+e β
θα
verwachting α α + 0.577216β θ−1
β 2 π2 π2 β 2
variantie 3 6 bestaat niet
mgf eαt Γ(1 − βt)Γ(1 + βt) eαt Γ(1 − βt)

  
  
 Specificaties
Weibull log-normaal invers Gaussisch dubbel-
exponentieel
parameter(s) a>0 µ µ>0 α
b>0 σ2 > 0 λ>0 β>0
drager x>0 x>0 x>0 −∞ < x < ∞
(ln x−µ)2 √ λ(x−µ)2 |x−α|
b − − 1 −
kansdichtheid abxb−1 e−ax √ 1 e 2σ 2 λ
2πx3
e 2µ2 x
2β e
β
2πσ 2 x2
2
a− b Γ(1 + 1b )
1 σ
verwachting eµ+ 2 µ α
− 2b 2 2 µ2
variantie a [Γ(1 + 2
b) − e2µ+2σ − e2µ+σ λ 2β 2
Γ2 (1 + 1b )]
eαt
mgf 1−(βt)2

De dubbel-exponentiële verdeling wordt ook wel de Laplace verdeling genoemd.

  
  
 Literatuur
Voor een fraai schema over de relaties tussen de verschil- Voor de programmering van PQRS is gebruik gemaakt
lende verdelingen zie van:
Casella, G., Berger, R.L. (2002) ’Statistical Infe-
rence’ (2nd ed.) W.H.Press, B.P.Flannery, S.A.Teukolsky,
W.T.Vetterling (1989) ’Numerical Recipes in Pas-
Voor gedetailleerde informatie over kansverdelingen zie cal’.
de reeks ’Distributions in Statistics’ door Johnson en
Kotz: P. L’Ecuyer (1988) ’Efficient and Portable Combi-
ned Random Number Generators’, Communications of
N.L.Johnson, S.Kotz (1969) ’Distributions in Statis-
the ACM, Vol. 31 Nr 6 (June 1988).
tics, Discrete distributions’.
N.L.Johnson, S.Kotz (1970) ’Distributions in Statis- L. Devroye (1986), Non-Uniform Random Variate
tics, Continuous univariate distributions-1’. Generation.
N.L.Johnson, S.Kotz (1970) ’Distributions in Statis-
tics, Continuous univariate distributions-2’. H. Frick (1990) ’Algorithm AS R84. A remark on
Algorithm AS 226: computing non-central beta pro-
babilities.’, Appl. Stat. 39: pp. 311-312.

Je kunt PQRS binnenhalen op je eigen computer vanuit

http://members.home.nl/sytse.knypstra/PQRS/
Het programma PQRS is ontworpen en geschreven door Sytse Knypstra in Delphi.
Zijn e-mail adres is: Sytse.Knypstra@home.nl.

  
  
Literatuur