Distribution Lab
Normal ¡ Gamma ¡ Beta ¡ Poisson ¡ Binomial ¡ GLM-Vorbereitung
Š Dr. Rainer Dßsing ¡ Interactive Tools by Claude
Distribution Lab — Wahrscheinlichkeitsverteilungen interaktiv erkunden.  Âˇ  28 Verteilungen ¡ Parameter verschieben ¡ Momente einblenden ¡ brms-Rollen & Parametrisierung ¡ X-Achse fixierbar ¡ Ordinalmodelle
Normal
Y ~ Normal(Ο, σ)
Parameter
Momente einblenden
Kennwerte
Beziehungen zwischen Verteilungen
LEGENDE: Grenzwert / Spezialfall Konstruiert aus Gruppenübergreifende Verwandtschaft ⊕ Faltung (Summe zweier Zufallsvariablen) KONTINUIERLICH UNBEGRENZT Cauchy Cauchy(μ, σ) Student-t Student-t(ν, μ, σ) Normal Normal(μ, σ) Skew-Normal Skew-Normal(ξ, ω, α) ν = 1 ν → ∞ α = 0 (wählbar im Prior Lab) KONTINUIERLICH POSITIV Exponential Exponential(λ) Gamma Gamma(α, β) Log-Normal LogNormal(μ, σ) ExGaussian ExGauss(μ, σ, β) = Normal(μ,σ) ⊕ Exponential(β) α = 1 Inverse Gauß InvGauß(μ, λ) Chi² χ²(k) F-Verteilung F(d₁, d₂) Shifted LogNormal ShiftedLogNormal(μ,σ,δ) = Gamma(k/2, ½) χ²∕χ² + δ (Shift) ⊕ Exponential (gruppenübergreifend) Y = exp(X) (gruppenübergreifend) BEGRENZT [0,1] Beta Beta(α, β) Beta(1,1) = Uniform[0,1] ZI-Beta ZI-Beta(μ, φ, zi) ZOIB ZOIB(μ, φ, zoi, coi) Bernoulli Bernoulli(p) Beta = konjugierter Prior für p + 0 (zi) + 1 (zoi) ZÄHLDATEN (DISKRET) Beta-Binomial BetaBin(n, μ, φ) Binomial Binomial(n, p) Poisson Poisson(λ) Neg. Binomial NegBin(μ, φ) φ → ∞ n→∞, p→0 φ → ∞ p ~ Beta n = 1 GEORDNETE KATEGORIEN (ORDINAL) gleiche latente Struktur, unterschiedliche Link-Funktion (Normal ↔ Logistisch) Kum. Probit OrderedProbit(η,τ,Δ,K) Kum. Logit OrderedLogit(η,τ,Δ,K) Bei K=2 Kategorien ≈ binäre Logit-/Probit-Regression (Gruppen „Zähldaten"/„Begrenzt [0,1]") Normal = Grenzwert von Student-t (ν→∞), Skew-Normal (α=0), Gamma (α→∞) und Binomial (n→∞, p→0) χ²(k) = Z₁² + … + Zₖ² (Zᵢ ~ Normal(0,1)) — zugleich Spezialfall Gamma(k/2, ½) Fett = Referenzverteilung je Gruppe · gestrichelter Rahmen = „konstruierte" Verteilung (ExGaussian, Shifted LogNormal) · blass = Referenz, nicht im Distribution Lab wählbar (Cauchy) Alle 21 Verteilungen des Distribution Lab plus Cauchy (Grenzfall von Student-t, wählbar im Prior Lab) · Quelle: Ben Lambert, A Student's Guide to Bayesian Statistics (2018), S. 225
Hilfe — Distribution Lab
Überblick
Distribution Lab zeigt 28 Wahrscheinlichkeitsverteilungen interaktiv — als Vorbereitung auf GLMs und bayesianische Modelle in brms. Welche Verteilung passt zu welchen Daten? Für jede Verteilung: Beschreibung, Einsatzszenarien, Parameter-Erklärung, brms-Verwendung und Technische Details.
Navigation
Kategorie-Tabs (oben) wählen die Verteilungsgruppe.
Verteilungs-Buttons darunter wählen die konkrete Verteilung.
Schieberegler links passen die Parameter in Echtzeit an.
X-Achse fixieren
X fix-Button (Topbar): Friert die X-Achse ein, damit man bei Parameteränderungen (z.B. μ oder σ) die Formänderung direkt sieht — statt dass sich die Achse mitskaliert. Wird beim Wechsel der Verteilung automatisch zurückgesetzt.
Verteilungsbeziehungen
⊞ Beziehungen-Button öffnet eine große Übersichtskarte mit allen 21 Verteilungen des Distribution Lab und ihren Zusammenhängen: Spezialfälle, Grenzwerte, Konstruktionen. Orientierung im "Verteilungs-Zoo".
Momente
Mittelwert (blau), Median (grßn), Modus (orange) als vertikale gestrichelte Linien. Jedes Moment unabhängig ein-/ausschaltbar.
brms-Parametrisierung
Für Gamma und Beta: Toggle zwischen brms (μ, φ) und klassisch (α, β). Automatische Umrechnung. brms-Parametrisierung ist intuitiver: man setzt direkt den Mittelwert.

Der Abschnitt "Verwendung in brms" zeigt für jede Verteilung: Als Likelihood (family-Syntax, Link) und als Prior (prior()-Syntax) — inkl. typischer Parametrisierungen.
Gemischte Verteilungen
ZI-Beta und ZOIB: Punktmassen bei 0/1 als rote Balken, Beta-Anteil als Kurve. Hurdle-Gamma und Hurdle-Lognormal: Punktmasse bei 0 als roter Balken, positiver Anteil als Kurve auf (0, ∞) statt auf [0,1].
Diskrete Verteilungen
Balkendiagramm der PMF. Modus = hĂśchster Balken.