Movatterモバイル変換

Zum Inhalt springen

Logarithmische Normalverteilung

Links bearbeiten

aus Wikipedia, der freien Enzyklopädie

Dielogarithmische Normalverteilung (kurzLog-Normalverteilung) ist eine kontinuierlicheWahrscheinlichkeitsverteilung für eine Variable, die nur positive Werte annehmen kann. Sie beschreibt die Verteilung einerZufallsvariablen $X {\displaystyle X}$ , wenn die mit dem Logarithmus transformierte Zufallsvariable $Y=\ln(X)$ normalverteilt ist.Sie bewährt sich als Modell für viele Messgrößen in Naturwissenschaften, Medizin und Technik, beispielsweise für Energien, Konzentrationen, Längen und Mengenangaben.

In Analogie zu einer normalverteilten Zufallsvariablen, die nach demzentralen Grenzwertsatz alsSumme vieler verschiedener Zufallsvariablen aufgefasst werden kann, entsteht eine logarithmisch normalverteilte Zufallsvariable durch dasProdukt vieler positiver Zufallsvariablen. Somit ist die Log-Normalverteilung die einfachste Verteilungsart für multiplikativeZufallsprozesse. Da multiplikative Gesetze in den Naturwissenschaften, der Ökonomie und der Technik eine größere Rolle spielen als additive, ist die Log-Normalverteilung in vielen Anwendungen diejenige, die der Theorie am besten entspricht – der zweite Grund, weshalb sie vielfach anstelle der gewöhnlichen, additiven Normalverteilung verwendet werden sollte.

Definition

[Bearbeiten |Quelltext bearbeiten]

Dichtefunktion der Log-Normalverteilung (mit $\mu =0$ )

{\displaystyle \mu =0} — Dichtefunktion der Log-Normalverteilung (mit $\mu =0$ )

Erzeugung

[Bearbeiten |Quelltext bearbeiten]

Wenn $Z {\displaystyle Z}$ eine standardnormalverteilte Zufallsvariable ist, dann ist $X=\mathrm {e} ^{\mu +\sigma Z}=\mathrm {e} ^{\mu }(\mathrm {e} ^{Z})^{\sigma }$ log-normalverteilt mit den Parametern $\mu$ und $\sigma >0$ , geschrieben als ${\mathcal {LN}}(\mu ,\sigma ^{2})$ . Alternativ können als Parameter die Größen $\mu ^{*}=\mathrm {e} ^{\mu }$ und $\sigma ^{*}=\mathrm {e} ^{\sigma }>1$ verwendet werden. $\mu ^{*}$ ist ein Skalen-Parameter. $\sigma$ oder ebenso $\sigma ^{*}$ bestimmt die Form der Verteilung.

Wenn $X {\displaystyle X}$ log-normalverteilt ist, dann ist auch $Y=aX$ log-normalverteilt, und zwar mit den Parametern $\ln(a)+\mu$ und $\sigma$ respektive $a\mu ^{*}$ und $\sigma ^{*}$ . Ebenso ist $X^{b}$ log-normalverteilt, mit den Parametern $b\mu$ und $b\sigma$ respektive $(\mu ^{*})^{b}$ und $(\sigma ^{*})^{b}$ .

Dichtefunktion

[Bearbeiten |Quelltext bearbeiten]

Eine stetige, positiveZufallsvariable $X {\displaystyle X}$ unterliegt einer logarithmischen Normalverteilung ${\mathcal {LN}}(\mu ,\sigma ^{2})$ mit den Parametern $\mu \in \mathbb {R}$ und $\sigma \in \mathbb {R} ,\sigma >0$ , wenn die transformierte Zufallsvariable $Y=\ln(X)$ einerNormalverteilung ${\mathcal {N}}(\mu ,\sigma ^{2})$ folgt. Ihre Dichtefunktion ist dann

f(x)={\frac {1}{{\sqrt {2\pi }}\sigma x}}\,\exp {\Big (}-{\frac {(\ln(x)-\mu )^{2}}{2\sigma ^{2}}}{\Big )}={\frac {1}{x\sigma }}\varphi \left({\frac {\ln(x)-\mu }{\sigma }}\right),\quad x>0

,

wobei $\varphi$ die Dichtefunktion der Standardnormalverteilung bezeichnet.

Verteilungsfunktion

[Bearbeiten |Quelltext bearbeiten]

Verteilungsfunktion der Log-Normalverteilung (mit $\mu =0$ )

{\displaystyle \mu =0} — Verteilungsfunktion der Log-Normalverteilung (mit $\mu =0$ )

Damit hat die Log-Normalverteilung für $x\geq 0$ dieVerteilungsfunktion

F(x)=\int _{0}^{x}f(t)\,\mathrm {d} t=\Phi \left({\frac {\ln(x)-\mu }{\sigma }}\right)

,

wobei $\Phi$ die Verteilungsfunktion derStandardnormalverteilung bezeichnet.

Die Verteilungsfunktion der logarithmischen Normalverteilung erscheint auf logarithmisch geteiltemWahrscheinlichkeitspapier als Gerade.

Mehrdimensionale log-Normalverteilung

[Bearbeiten |Quelltext bearbeiten]

Sei ${\boldsymbol {Z}}\sim {\mathcal {N}}({\boldsymbol {\mu }},\,{\boldsymbol {\Sigma }})$ einmehrdimensional (oder multivariat) normalverteilter Zufallsvektor.Dann ist ${\boldsymbol {X}}=\exp({\boldsymbol {Z}})$ (d. h. $X_{j}=\exp(Z_{j})$ ) multivariat log-normalverteilt.Die mehrdimensionale Log-Normalverteilung ist viel weniger bedeutsam als die eindimensionale. Deshalb bezieht sich der nachfolgende Text fast ausschließlich auf den eindimensionalen Fall.

Eigenschaften

[Bearbeiten |Quelltext bearbeiten]

Quantile

[Bearbeiten |Quelltext bearbeiten]

Ist $u_{(p)}$ das p-Quantil einerStandardnormalverteilung (d. h. $\Phi (u_{(p)})=p$ , wobei $\Phi$ die Verteilungsfunktion der Standardnormalverteilung sei), so ist das p-Quantil der Log-Normalverteilung gegeben durch

x_{(p)}=\mathrm {e} ^{\mu +u_{(p)}\cdot \sigma }

.

Median, multiplikativer Erwartungswert

[Bearbeiten |Quelltext bearbeiten]

DerMedian der logarithmischen Normalverteilung beträgt demnach $\mu ^{*}=\mathrm {e} ^{\mu }$ . Er wird auchmultiplikativer odergeometrischer Erwartungswert genannt (vgl.geometrisches Mittel). Er ist ein Skalen-Parameter, da $\mu ^{*}(aX)=a\mu ^{*}(X)$ gilt.

Multiplikative Standardabweichung

[Bearbeiten |Quelltext bearbeiten]

In Analogie zum multiplikativen Erwartungswert ist $\sigma ^{*}=\mathrm {e} ^{\sigma }$ diemultiplikative odergeometrische Standardabweichung. Sie bestimmt (ebenso wie $\sigma$ selbst) die Form der Verteilung. Es gilt $\sigma ^{*}>1$ .

Da das multiplikative oder geometrische Mittel einer Stichprobe von lognormalen Beobachtungen (siehe „Parameterschätzung“ unten) selbst log-normalverteilt ist, kann man seine Standardabweichung angeben, sie beträgt $(\sigma ^{*})^{1/{\sqrt {n}}}$ .

Erwartungswert

[Bearbeiten |Quelltext bearbeiten]

DerErwartungswert der logarithmischen Normalverteilung beträgt

\operatorname {E} (X)=\mathrm {e} ^{\mu +{\frac {\sigma ^{2}}{2}}}

.

Modus

[Bearbeiten |Quelltext bearbeiten]

DerModus, also der häufigste Wert der Verteilung bzw. der Wert, für den die Dichtefunktion ihr Maximum annimmt, beträgt für die logarithmische Normalverteilung

\operatorname {Modus} (X)=x_{D}=\mathrm {e} ^{\mu -\sigma ^{2}}

.

Varianz, Standardabweichung, Variationskoeffizient

[Bearbeiten |Quelltext bearbeiten]

DieVarianz ergibt sich zu

\operatorname {Var} (X)=\mathrm {e} ^{2\mu +\sigma ^{2}}(\mathrm {e} ^{\sigma ^{2}}-1)

.

Für dieStandardabweichung ergibt sich

{\sqrt {\operatorname {Var} (X)}}={\sqrt {\mathrm {e} ^{2\mu +\sigma ^{2}}(\mathrm {e} ^{\sigma ^{2}}-1)}}=\mathrm {e} ^{\mu +{\frac {\sigma ^{2}}{2}}}\cdot {\sqrt {\mathrm {e} ^{\sigma ^{2}}-1}}

.

AusErwartungswert undVarianz erhält man unmittelbar denVariationskoeffizienten

\operatorname {VarK} (X)={\sqrt {\mathrm {e} ^{\sigma ^{2}}-1}}

.

Schiefe

[Bearbeiten |Quelltext bearbeiten]

DieSchiefe ergibt sich zu

\gamma _{m}=(\mathrm {e} ^{\sigma ^{2}}+2){\sqrt {\mathrm {e} ^{\sigma ^{2}}-1}}>0

,

d. h., die Log-Normalverteilung ist rechtsschief.

Je größer die Differenz zwischen Erwartungswert und Median, desto ausgeprägter ist i. a. dieSchiefe einer Verteilung. Hier unterscheiden sich diese Parameter um den Faktor $\mathrm {e} ^{\sigma ^{2}/2}$ . Die Wahrscheinlichkeit für extrem große Ausprägungen ist also bei der Log-Normalverteilung mit großem $\sigma$ hoch.

Momente

[Bearbeiten |Quelltext bearbeiten]

Es existieren alleMomente und es gilt:

\operatorname {E} (X^{n})=\mathrm {e} ^{n\mu +{\frac {n^{2}\sigma ^{2}}{2}}},\quad n\in \mathbb {N}

.

Diemomenterzeugende Funktion und diecharakteristische Funktion existieren für die Log-Normalverteilung nicht in expliziter Form.

Die Lognormalverteilung ist ein Beispiel einer Wahrscheinlichkeitsverteilung, die durch die Angabe aller Momente nicht charakterisiert ist, da es andere Wahrscheinlichkeitsverteilungen mit denselben Momenten gibt.^[1]

Entropie

[Bearbeiten |Quelltext bearbeiten]

DieEntropie der logarithmischen Normalverteilung (ausgedrückt innats) beträgt

\mu +{\frac {1}{2}}\ln \left(2\pi \mathrm {e} \sigma ^{2}\right)

.

Multiplikation von unabhängigen, log-normalverteilten Zufallsvariablen

[Bearbeiten |Quelltext bearbeiten]

Multipliziert man zwei unabhängige, log-normalverteilte Zufallsvariable $X_{1}$ und $X_{2}$ , so ergibt sich wieder eine log-normalverteilte Zufallsvariable mit den Parametern $\mu =\mu _{1}+\mu _{2}$ und $\sigma$ , wobei $\sigma ^{2}=\sigma _{1}^{2}+\sigma _{2}^{2}$ . Entsprechendes gilt für das Produkt von $n {\displaystyle n}$ solchen Variablen.

Grenzwertsatz

[Bearbeiten |Quelltext bearbeiten]

Das geometrische Mittel von $n {\displaystyle n}$ unabhängigen, gleich verteilten, positiven Zufallsvariablen zeigt für $n\to \infty$ genähert eine Log-Normalverteilung, die immer mehr einer gewöhnlichen Normalverteilung gleicht, da $\sigma$ abnimmt.

Erwartungswert und Kovarianzmatrix einer mehrdimensionalen Log-Normalverteilung

[Bearbeiten |Quelltext bearbeiten]

Der Erwartungswert-Vektor ist

\operatorname {E} [{\boldsymbol {X}}]_{i}=\mathrm {e} ^{\mu _{i}+{\frac {1}{2}}\Sigma _{ii}}

und dieKovarianzmatrix

\operatorname {Var} [{\boldsymbol {X}}]_{ij}=\mathrm {e} ^{\mu _{i}+\mu _{j}+{\frac {1}{2}}(\Sigma _{ii}+\Sigma _{jj})}(\mathrm {e} ^{\Sigma _{ij}}-1).

^[2]

Beziehungen zu anderen Verteilungen

[Bearbeiten |Quelltext bearbeiten]

Beziehung zur Normalverteilung

[Bearbeiten |Quelltext bearbeiten]

Der Logarithmus einer logarithmisch normalverteilten Zufallsvariablen ist normalverteilt. Genauer: Ist $Y {\displaystyle Y}$ eine ${\mathcal {N}}(\mu ,\sigma ^{2})$ -verteilte reelle Zufallsvariable (d. h. normalverteilt mit Erwartungswert $\mu$ und Varianz $\sigma ^{2}$ ), so ist die Zufallsvariable $X=\mathrm {e} ^{Y}$ log-normalverteilt mit diesen Parametern $\mu$ und $\sigma$ .

Wenn $\sigma \to 0$ und damit $\sigma ^{*}\to 1$ geht, geht die Form der Log-Normalverteilung gegen diejenige einer gewöhnlichen Normalverteilung.

Verteilung mit schweren Rändern

[Bearbeiten |Quelltext bearbeiten]

Die Verteilung gehört zu denVerteilungen mit schweren Rändern.

Parameterschätzung und Statistik

[Bearbeiten |Quelltext bearbeiten]

Parameterschätzung

[Bearbeiten |Quelltext bearbeiten]

Die Schätzung der Parameter aus einer Stichprobe von Beobachtungen erfolgt über die Bestimmung von Mittelwert und (quadrierter) Standardabweichung der logarithmierten Werte:

${\hat {\mu }}={\frac {1}{n}}\sum _{i=1}^{n}\ln(X_{i}),\quad {\hat {\sigma }}^{2}={\frac {1}{n-1}}\sum _{i=1}^{n}(\ln(X_{i})-{\hat {\mu }})^{2}$ .

Die Schätzung der multiplikativen Parameter erfolgt durch ${\hat {\mu }}^{*}=\exp({\hat {\mu }})$ und ${\hat {\sigma }}^{*}=\exp({\hat {\sigma }})$ . ${\hat {\mu }}^{*}$ ist dasgeometrische Mittel. Seine Verteilung ist log-normal mit multiplikativem Erwartungswert $\mu ^{*}$ und geschätzter multiplikativer Standardabweichung (besser als multiplikativerStandardfehler bezeichnet) $\mathrm {SEM} ^{*}=({\hat {\sigma }}^{*})^{1/{\sqrt {n}}}$ .

Wenn keine Einzelwerte vorliegen, sondern nur der Mittelwert ${\bar {X}}$ und die empirische Varianz ${\hat {\mathrm {var} }}$ der nicht logarithmierten Werte bekannt sind, erhält man passende Parameterwerte über

{\hat {\sigma }}^{2}=\ln \left({\frac {\hat {\mathrm {var} }}{{\bar {X}}^{2}}}+1\right)

{\hat {\mu }}=\ln({\bar {X}})-{\frac {{\hat {\sigma }}^{2}}{2}}

oder direkt

\quad {\hat {\mu }}=\ln \left({\bar {X}}^{2}\ {\sqrt[{}]{\frac {1}{{\hat {\mathrm {var} }}+{\bar {X}}^{2}}}}\right)

.

Statistik

[Bearbeiten |Quelltext bearbeiten]

Allgemein erfolgt die statistische Analyse von log-normalverteilten Größen am einfachsten und Erfolg versprechendsten so, dass die Größen logarithmiert werden und auf diese transformierten Werte die Methoden verwendet werden, die auf der gewöhnlichen Normalverteilung beruhen. Im Bedarfsfall werden dann die Ergebnisse, beispielsweise Vertrauens- oder Vorhersage-Intervalle, in die ursprüngliche Skala zurücktransformiert.

Grundlegendes Beispiel dafür ist die Berechnung von Streuungs-Intervallen. Da für eine gewöhnliche Normalverteilung in einem Bereich von $\mu \pm \sigma$ etwa 2/3 (genauer 68 %) und in $\mu \pm 2\sigma$ 95 % der Wahrscheinlichkeit enthalten sind, gilt für die Log-Normalverteilung:

Das Intervall

\ [\mu ^{*}/\sigma ^{*},\mu ^{*}\cdot \sigma ^{*}]\

enthält 2/3

und das Intervall

\ [\mu ^{*}/(\sigma ^{*})^{2},\mu ^{*}\cdot (\sigma ^{*})^{2}]\

enthält 95 %

der Wahrscheinlichkeit (und also etwa diese Prozentzahl der Beobachtungen einer Stichprobe).Die Intervalle können in Analogie zu $\mu \pm \sigma$ als $\mu ^{*}\cdot /\sigma ^{*}$ und $\mu ^{*}\cdot /(\sigma ^{*})^{2}$ notiert werden.

In graphischen Darstellungen (untransformierter) Beobachtungen sollten deshalb solche asymmetrische Intervalle gezeigt werden.^[3]^[4]

Anwendungen

[Bearbeiten |Quelltext bearbeiten]

Variation in vielen natürlichen Phänomenen lässt sich gut mit derLog-Normalverteilung beschreiben. Dies kann erklärt werden durch dieVorstellung, dass kleine prozentuale Abweichungen zusammenwirken,die einzelnen Effekte sich also multiplizieren.Bei Wachstumsprozessen ist dies besonders naheliegend.Zudem bestehen die Formeln für die meisten grundlegenden Naturgesetze ausMultiplikationen und Divisionen.Auf der logarithmischen Skala ergeben sich dann Additionen undSubtraktionen, und der entsprechendeZentrale Grenzwertsatz führt zurNormalverteilung – zurücktransformiert auf die ursprüngliche Skala alsozur Log-Normalverteilung.Diese multiplikative Version des Grenzwertsatzes ist auch alsGesetz von Gibrat bekannt. Robert Gibrat (1904–1980) formulierte es fürUnternehmen.^[5]

In einigen Wissenschaften ist es üblich, Messgrößen in Einheiten anzugeben,die durch Logarithmieren einer gemessenen Konzentration (Chemie) oderEnergie (Physik, Technologie) erhalten werden.So wird der Säuregrad einer wässerigen Lösung durch denpH-Wert gemessen, der als negativer Logarithmus der Wasserstoffionen-Aktivität definiert ist.Eine Lautstärke wird inDezibel (dB) angegeben, das $=10\log _{10}(E)$ , wobei $E {\displaystyle E}$ das Verhältnis desSchalldruckpegels zu einem entsprechenden Referenzwert ist.Analoges gilt für andere Energie-Pegel.In der Finanzmathematik wird ebenfalls oft direkt mit logarithmierten Größen (Preisen, Kursen, Erträgen) gerechnet, siehe unten.

Für solche „bereits logarithmierte“ Größen ist dann die gewöhnlicheNormalverteilung oft eine gute Wahl; also wäre hier, wenn man dieursprünglich gemessene Größe betrachten wollte, die Log-Normalverteilung geeignet.

Generell eignet sich die Log-Normalverteilung für Messgrößen, die nur positive Werte annehmen können,also Konzentrationen, Massen und Gewichte, räumliche Größen, Energien usw.

Die folgende Liste zeigt mit Beispielen die breite Palette der Anwendungen der Log-Normalverteilung.

Mathematik (Analytische Zahlentheorie):Selbergs zentraler Grenzwertsatz

Geologie: Konzentration von Elementen^[6]

Kolloid- undPolymerchemie:Partikelgrößen-Verteilung undMolmassen-Verteilung

Hydrologie: Die Log-Normalverteilung nützt bei der Analyse von Extremwerten wie – beispielsweise – monatliche oder jährliche Maxima der täglichen Regenmenge oder des Abflusses von Gewässern.^[7]

Ökologie: Die Häufigkeit von Arten zeigt oft eine Log-Normalverteilung.^[8]

Biologie undMedizin
- Maße der Größe von Lebewesen (Länge, Hautfläche, Gewicht);^[9]
- Physiologische Größen wie der Blutdruck von Männern und Frauen.^[10] Als Konsequenz solltenReferenzbereiche für gesunde Werte auf der Grundlage einer Log-Normalverteilung geschätzt werden.
- Inkubationszeiten von ansteckenden Krankheiten;^[11]
- In der Neurologie zeigt die Verteilung der Impulsrate von Nervenzellen oft eine log-normale Form, so im Cortex und Striatum^[12] und im Hippocampus und im entorhinalen Cortex^[13] sowie in anderen Hirnregionen.^[14]^[15] Ebenso für weitere neurobiologische Größen.^[16]
- Sensitivität gegenüberFungiziden;^[17]
- Bakterien auf Pflanzenblättern:^[18]
- Permeabilität von Zellwänden und Mobilität von gelösten Stoffen:^[19]

Sozialwissenschaften undÖkonomie
- Einkommensverteilungen zeigen, bis auf wenige Extremwerte, eine genäherte Log-Normalverteilung.^[20] (Für das obere Ende eignet sich diePareto-Verteilung.)^[21]
- In derFinanzmathematik werden logarithmierte Erträge, Preise etc. als normalverteilt modelliert, was bedeutet, dass die ursprünglichen Größen log-normalverteilt sind. Das gilt auch für das berühmteBlack-Scholes-Modell,^[22] das der Preisbildung vonOptionen undDerivaten zugrunde liegt. Allerdings mag bei genauer Analyse dieLévy-Verteilung für die extrem großen Werte besser passen,^[23] vor allem beiBörsenstürzen.
- Einwohnerzahlen von Städten
- In Internet-Foren sind die Längen der Kommentare log-normalverteilt,^[24] ebenso die Verweildauer bei Online-Artikeln wie Nachrichten oder Witzen.^[25]
- Die Dauer vonSchachspielen folgt einer Log-Normalverteilung.^[26]

Technologie
- In der Modellierung derZuverlässigkeit werden Reparaturzeiten als log-normalverteilt beschrieben.^[27]
- Internet: DieDateigröße von öffentlich verfügbaren Audio- und Video-Dateien ist genähert log-normalverteilt.^[28] Analoges gilt für den Datenverkehr.^[29]

Literatur

[Bearbeiten |Quelltext bearbeiten]

Lognormal Distributions, Theory and Applications (= Statistics: Textbooks and Monographs.Band 88). Marcel Dekker, Inc., 1988,ISBN 978-0-8247-7803-3,S. xvi+387.
j Aitchison, J A C Brown:The Lognormal Distribution. Cambridge University Press, 1957.
Eckhard Limpert, Werner A Stahel, Markus Abbt:Lognormal distributions across the sciences: keys and clues. In:BioScience.Band 51,Nr. 5, 2001,S. 341–352,doi:10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2 (PDF Online).

Einzelnachweise

[Bearbeiten |Quelltext bearbeiten]

↑C. C. Heyde:On a property of the lognormal distribution. In:Journal of the Royal Statistical Society, Series B.Band 25,Nr. 2, 1963,S. 392–393.
↑Leigh Halliwell:The Lognormal Random Multivariate. Casualty Actuarial Society E-Forum, Arlington VA, Spring 2015. 2015 (englisch,casact.org [PDF]).
↑Eckhard Limpert, Werner A Stahel, Markus Abbt:Lognormal distributions across the sciences: keys and clues. In:BioScience.Band 51,Nr. 5, 2001,S. 341–352,doi:10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2.
↑Eckhard Limpert, Werner A Stahel:Problems with Using the Normal Distribution – and Ways to Improve Quality and Efficiency of Data Analysis. In:PlosOne.Band 51,Nr. 5, 2011,S. 341–352,doi:10.1641/0006-3568(2001)051[0341:LNDATS]2.0.CO;2.
↑John Sutton:Gibrat's Legacy. In:Journal of Economic Literature.Band 32,Nr. 1, 1997,S. 40–59.
↑L H Ahrens:The log-normal distribution of the elements (A fundamental law of geochemistry and its subsidiary) journal.Band 5, 1954,S. 49–73.
↑R.J. Oosterbaan:Drainage Principles and Applications, Publication 16. International Institute for Land Reclamation and Improvement (ILRI), Wageningen, The Netherlands 1994,ISBN 978-90-70754-33-4, 6: Frequency and Regression Analysis,S. 175–224 (Online [PDF]).
↑G Sugihara:Minimal community structure: An explanation of species abundance patterns. In:American Naturalist.Band 116, 1980,S. 770–786,JSTOR:2460407.
↑Julian S Huxley:Problems of relative growth. London, 1932,ISBN 978-0-486-61114-3.
↑Robert W. Makuch, D H Freeman, M F Johnson:Justification for the lognormal distribution as a model for blood pressure. In:Journal of Chronic Diseases.Band 32,Nr. 3, 1979,S. 245–250,doi:10.1016/0021-9681(79)90070-5.
↑P E Sartwell:The incubation period and the dynamics of infectious disease. In:American Journal of Epidemiology.Band 83, 1966,S. 204–216.
↑Gabriele Scheler, Johann Schumann:Diversity and stability in neuronal output rates. 36th Society for Neuroscience Meeting, Atlanta. 8. Oktober 2006 (englisch).
↑Kenji Mizuseki, György Buzsáki:Preconfigured, skewed distribution of firing rates in the hippocampus and entorhinal cortex. In:Cell Reports.Band 4,Nr. 5, 12. September 2013,ISSN 2211-1247,S. 1010–1021,doi:10.1016/j.celrep.2013.07.039,PMID 23994479,PMC 3804159 (freier Volltext).
↑György Buzsáki, Kenji Mizuseki:The log-dynamic brain: how skewed distributions affect network operations. In:Nature Reviews. Neuroscience.Band 15,Nr. 4, 2017,ISSN 1471-003X,S. 264–278,doi:10.1038/nrn3687,PMID 24569488,PMC 4051294 (freier Volltext).
↑Adrien Wohrer, Mark D Humphries, Christian K Machens:Population-wide distributions of neural activity during perceptual decision-making. In:Progress in Neurobiology.Band 103, 2013,ISSN 1873-5118,S. 156–193,doi:10.1016/j.pneurobio.2012.09.004,PMID 23123501,PMC 5985929 (freier Volltext).
↑Gabriele Scheler:Logarithmic distributions prove that intrinsic learning is Hebbian. In:F1000 Research.Band 6, 2017,S. 1222,doi:10.12688/f1000research.12130.2,PMID 29071065,PMC 5639933 (freier Volltext).
↑R A Romero, T B Sutton:Sensitivity of Mycosphaerella fijiensis, causal agent of black sigatoka of banana, to propiconozole. In:Phytopathology.Band 87, 1997,S. 96–100.
↑S S Hirano, E V Nordheim, D C Arny, C D Upper:Log-normal distribution of epiphytic bacterial populations on leaf surfaces. In:Applied and Environmental Microbiology.Band 44, 1982,S. 695–700.
↑P Baur:Log-normal distribution of water permeability and organic solute mobility in plant cuticles. In:Plant, Cell and Environment.Band 20, 1997,S. 167–177.
↑Pareto's law of income distribution: Evidence for Germany, the United Kingdom, and the United States. 2005; abgerufen im 1. Januar 1 (englisch).
↑Souma Wataru: Physics of Personal Income. Abgerufen am 22. Februar 2002 (englisch).
↑F Black, M Scholes:The Pricing of Options and Corporate Liabilities. In:Journal of Political Economy.Band 81,Nr. 3, 1973,S. 637,doi:10.1086/260062.
↑Benoit Mandelbrot:The (mis-)Behaviour of Markets. Basic Books, 2004,ISBN 978-0-465-04355-2 (Google Books).
↑Sobkowicz Pawel et al.:Lognormal distributions of user post lengths in Internet discussions - a consequence of the Weber-Fechner law? In:EPJ Data Science. 2013.
↑Peifeng Yin, Ping Luo, Wang-Chien Luo, Min Wang:Silence is also evidence: interpreting dwell time for recommendation from psychological perspective. ACM International Conference on KDD. 2013 (englisch,mldm.ict.ac.cn (Memento desOriginals vom 10. Mai 2017 imInternet Archive) [abgerufen am 26. August 2019]).
↑What is the average length of a game of chess? In: chess.stackexchange.com. Abgerufen am 14. April 2018 (englisch).
↑Patrick O'Connor, Andre Kleyner:Practical Reliability Engineering. John Wiley & Sons, 2011,ISBN 978-0-470-97982-2,S. 35.
↑C Gros, G. Kaczor, D Markovic:Neuropsychological constraints to human data production on a global scale. In:The European Physical Journal B.Band 85,Nr. 28, 2012,S. 28,doi:10.1140/epjb/e2011-20581-3,arxiv:1111.6849,bibcode:2012EPJB...85...28G.
↑Mohammed Alamsar: On the Distribution of Traffic Volumes in the Internet and its Implications. 2019; abgerufen im 1. Januar 1 (englisch).

Abgerufen von „https://de.wikipedia.org/w/index.php?title=Logarithmische_Normalverteilung&oldid=252688743“

[8]ページ先頭

©2009-2026 Movatter.jp