Mathematik 2 (Statistik und Finanzmathematik)
|
|
- Nora Bieber
- vor 6 Jahren
- Abrufe
Transkript
1 Mathematik (Statistik und Finanzmathematik) im Studiengang Technik-Management (Bachelor) Prof. Dr. Stefan Etschberger Hochschule Weingarten Sommersemester 008 Organisatorisches zur Vorlesung Vorlesungsbegleitende Unterlagen: Foliensatz Aufgabenskript Literatur: Bamberg, G.; Baur, F.; Krapp, M. (006): Statistik, Oldenbourg, München, 3. Auflage. Luderer, B. (003): Starthilfe Finanzmathematik. Zinsen, Kurse, Renditen, Teubner, Stuttgart, Leipzig, Wiesbaden,. Auflage. Opitz, O. (004): Mathematik für Wirtschaftswissenschaftler, Oldenbourg, München, 9. Auflage. Vorlesungskonzept: Vorlesung und Übung gemischt Folien sind nur Grundlage für eigene Anmerkungen und Ergänzungen Fragenstellen ist jederzeit erwünscht Klausur: Am Ende des Semesters 60 Minuten Bearbeitungszeit Hilfsmittel: Schreibzeug, nicht-programmierbarer Taschenrechner, ein DIN-A4 Blatt mit handgeschriebenen Notizen (Vorder- und Rückseite kann beschrieben werden, keine Kopien oder Ausdrucke), ein beliebiges Buch
2 Übersicht Einführung Berühmte Leute zur Statistik Wie lügt man mit Statistik? Begriff Statistik Grundbegriffe der Datenerhebung Deskriptive Statistik Univariate Daten Multivariate Daten Verhältnis- und Indexzahlen 3 Wahrscheinlichkeitstheoretische Grundlagen Zufall und Wahrscheinlichkeit Zufallsvariablen und Verteilungen Verteilungsparameter 4 Induktive Statistik Grundlagen Punkt-Schätzung Intervall-Schätzung Signifikanztests 5 Finanzmathematik Lernziele Zins- und Zinseszinsrechnung Äquivalenzprinzip und Kapitalwert Rentenrechnung Tilgungsrechnung Etschberger (HS Weingarten) Mathematik Sommersemester Übersicht. Einführung Einführung Berühmte Leute zur Statistik Wie lügt man mit Statistik? Begriff Statistik Grundbegriffe der Datenerhebung Deskriptive Statistik 3 Wahrscheinlichkeitstheoretische Grundlagen 4 Induktive Statistik 5 Finanzmathematik Etschberger (HS Weingarten) Mathematik Sommersemester 008 4
3 Zitate. Einführung Berühmte Leute zur Statistik Leonard Henry Courtney (83-98): There are three kinds of lies: lies, damned lies and statistics. Winston Curchill (angeblich): Ich glaube nur den Statistiken, die ich selbst gefälscht habe. Andrew Lang (844-9): Wir benutzen die Statistik wie ein Betrunkener einen Laternenpfahl: Vor allem zur Stütze unseres Standpunktes und weniger zum Beleuchten eines Sachverhalts. Etschberger (HS Weingarten) Mathematik Sommersemester Einführung Begriff Statistik Bedeutungen des Begriffs Statistik Statistik Zusammenstellung von Zahlen Statistische Methodenlehre Wahrscheinlichkeitstheorie Induktive Statistik Deskriptive Statistik Etschberger (HS Weingarten) Mathematik Sommersemester 008 6
4 . Einführung Begriff Statistik Einfaches Beispiel Beispiel Beschäftigte werden nach der Entfernung zum Arbeitsplatz (in km) befragt. Antworten: 4,,, 3, 5, 4, 0, 4, 6, 6, 0, 6 deskriptiv: - Durchschnittliche Entfernung: 7,5 - Klassenbildung: Klasse [0; 5) [5; 5) [5; 30) Häufigkeit 5 5 induktiv: - Schätze die mittlere Entfernung aller Beschäftigten. - Prüfe, ob die mittlere Entfernung geringer als 0 km ist. Etschberger (HS Weingarten) Mathematik Sommersemester Merkmale. Einführung Grundbegriffe der Datenerhebung Merkmalsträger: Merkmal: Untersuchte statistische Einheit Interessierende Eigenschaft des Merkmalträgers (Merkmals-)Ausprägung: Konkret beobachteter Wert des Merkmals Grundgesamtheit: Typen von Merkmalen: Menge aller relevanen Merkmalsträger a) qualitativ quantitativ qualitativ: z.b. Geschlecht quantitativ: z.b. Schuhgröße Qualitative Merkmale sind quantifizierbar (weiblich:, männlich: 0) b) diskret stetig diskret: Abzählbar viele unterschiedliche Ausprägungen stetig: Alle Zwischenwerte realisierbar Etschberger (HS Weingarten) Mathematik Sommersemester 008 8
5 . Einführung Grundbegriffe der Datenerhebung Skalenniveaus Nominalskala: Zahlen haben nur Bezeichnungsfunktion z.b. Artikelnummern Ordinalskala: zusätzlich Rangbildung möglich z.b. Schulnoten Differenzen sind aber nicht interpretierbar! Addition usw. ist unzulässig. Kardinalskala: zusätzlich Differenzbildung sinnvoll z.b. Gewinn Etschberger (HS Weingarten) Mathematik Sommersemester Einführung Grundbegriffe der Datenerhebung Skalendegression und Skalenprogression Ziel der Skalierung: Gegebene Information angemessen abbilden, möglichst ohne Über- bzw. Unterschätzungen Es gilt: Grundsätzlich können alle Merkmale nominal skaliert werden. Grundsätzlich kann jedes metrische Merkmal ordinal skaliert werden. Das nennt man Skalendegression. Dabei: Informationsverlust Aber: Nominale Merkmale dürfen nicht ordinal- oder metrisch skaliert werden. Ordinale Merkmale dürfen nicht metrisch skaliert werden. Das nennt nennt man Skalenprogression. Dabei: Interpretation von mehr Informationen in die Merkmale, als inhaltlich vertretbar. (Gefahr der Fehlinterpretation) Etschberger (HS Weingarten) Mathematik Sommersemester 008 0
6 Klassische Informationsniveaus. Einführung Grundbegriffe der Datenerhebung Absolutskala Verhältnisskala Intervallskala Nominal Ordinal Metrisch Informationsniveau hoch niedrig Etschberger (HS Weingarten) Mathematik Sommersemester 008 Übersicht. Deskriptive Statistik Einführung Deskriptive Statistik Univariate Daten Multivariate Daten Verhältnis- und Indexzahlen 3 Wahrscheinlichkeitstheoretische Grundlagen 4 Induktive Statistik 5 Finanzmathematik Etschberger (HS Weingarten) Mathematik Sommersemester 008
7 Häufigkeitsverteilungen. Deskriptive Statistik Univariate Daten Auswertungsmethoden für eindimensionales Datenmaterial Merkmal X wird an n Merkmalsträgern beobachtet Urliste (x,..., x n ) Im Beispiel: x = 4, x =,..., x = 6 Urlisten sind oft unübersichtlich, z.b.: Dann zweckmäßig: Häufigkeitsverteilungen Ausprägung (sortiert) a j absolute Häufigkeit h(a j ) = h j kumulierte abs. Häufigkeit j H(a j ) = h(a i ) relative Häufigkeit f(a j ) = h(a j )/n kumulierte rel. Häufigkeit F(a j ) = j f(a i ) Etschberger (HS Weingarten) Mathematik Sommersemester Graphische Darstellungen. Deskriptive Statistik Univariate Daten ➊ Balken- oder Stabdiagramm (Höhe proportional zu Häufigkeit) Etschberger (HS Weingarten) Mathematik Sommersemester 008 4
8 Graphische Darstellungen. Deskriptive Statistik Univariate Daten ➋ Kreissektorendiagramm 4 Winkel: w j = 360 f(a j ) 3 z.b. 5 w = = 7, w 7 = = 57,6 7 (Fläche proportional zu Häufigkeit) 6 Etschberger (HS Weingarten) Mathematik Sommersemester Graphische Darstellungen. Deskriptive Statistik Univariate Daten ➌ Histogramm - für klassierte Daten - Fläche proportional zu Häufigkeit: Höhe j Breite j = c h(a j ) Höhe j = c h(a j) Breite j - Im Beispiel mit c = 5: Klasse [0; 5) [5; 5) [5; 30] h(a j ) 5 5 Breite j Höhe j 5 7,5 5 7, Etschberger (HS Weingarten) Mathematik Sommersemester 008 6
9 Lageparameter. Deskriptive Statistik Univariate Daten Modus x Mod : häufigster Wert Beispiel: a j 4 h(a j ) 4 3 Sinnvoll bei allen Skalenniveaus. } x Mod = Median x Med : mittlerer Wert, d.h.. Urliste aufsteigend sortieren: x x x n. Dann { = x n+, falls n ungerade x Med [x n ; x n + ], falls n gerade (meist x Med = (x n + x n Im Beispiel oben:,,,,,,, 4 x Med [; ], z.b. x Med =,5 Sinnvoll ab ordinalem Skalenniveau. + )) Etschberger (HS Weingarten) Mathematik Sommersemester Lageparameter (). Deskriptive Statistik Univariate Daten Arithmetisches Mittel x: Durchschnitt, d.h. Im Beispiel: x = n x i = n k a j h(a j ) j= x = 8 ( }{{} }{{} 3 Sinnvoll nur bei kardinalem Skalenniveau. Bei klassierten Daten: Im Beispiel: x = }{{}) =, x = n Klassenmitte Klassenhäufigkeit (, ,5 ) = 8,96 7,5 = x Etschberger (HS Weingarten) Mathematik Sommersemester 008 9
10 Streuungsparameter. Deskriptive Statistik Univariate Daten Voraussetzung: kardinale Werte x,...,x n Beispiel: Spannweite: SP = max Im Beispiel: a) x i b) x i i x i min i x i } je x = 000 a) SP = = 00 b) SP = = 6000 Mittlere quadratische Abweichung: s = n (x i x) = x i n x }{{} Verschiebungssatz Etschberger (HS Weingarten) Mathematik Sommersemester Streuungsparameter (). Deskriptive Statistik Univariate Daten Mittlere quadratische Abweichung im Beispiel: a) s = 3 ( ) = 3 ( ) 000 = 666,67 b) s = 3 ( ) = 3 ( ) 000 = Standardabweichung: s = s Im Beispiel: a) s = 666,67 = 40,8 b) s = = 88,43 Variationskoeffizient: V = s x (maßstabsunabhängig) Im Beispiel: a) V = 40,8 000 = 0,0 ( = %) b) V = 88, =,4 ( = 4 %) Etschberger (HS Weingarten) Mathematik Sommersemester 008 3
11 Konzentrationsmaße. Deskriptive Statistik Univariate Daten Gegeben: kardinale Werte 0 x x x n Achtung! Die Werte müssen aufsteigend sortiert werden! Lorenzkurve: Wieviel Prozent der Merkmalssumme entfällt auf die x Prozent kleinsten Merkmalsträger? Beispiel: Die 90 % ärmsten besitzen 0 % des Gesamtvermögens. Streckenzug: (0, 0), (u, v ),..., (u n, v n ) = (,) mit v k = Anteil der k kleinsten MM-Träger an der MM-Summe = k x i x i u k = Anteil der k kleinsten an der Gesamtzahl der MM-Träger = k n Etschberger (HS Weingarten) Mathematik Sommersemester Lorenzkurve: Beispiel. Deskriptive Statistik Univariate Daten Markt mit fünf Unternehmen; Umsätze: 6, 3,,, 3 (Mio. ) 5 n = 5, x k = 5 v k k= k x k p k 5 v k 5 u k Linie L Etschberger (HS Weingarten) Mathematik Sommersemester u k
12 Lorenzkurve. Deskriptive Statistik Univariate Daten Knickstellen: - Bei i-tem Merkmalsträger x i+ > x i - Empirische Verteilungsfunktion liefert Knickstellen: Vergleich von Lorenzkurven: a j 3 6 h(a j ) f(a j ) 5 F(a j ) Gleichverteilung extreme Konzentration ➀ ➁ ➁ höher konzentriert als ➀ ➀ ➁ unvergleichbar Etschberger (HS Weingarten) Mathematik Sommersemester Deskriptive Statistik Univariate Daten Lorenzkurve: Beispiel Bevölkerungsanteil gegen BSP.0 Bangladesch Brasilien Deutschland Ungarn USA (Stand 000) Anteil am BSP Anteil der Bevölkerung Etschberger (HS Weingarten) Mathematik Sommersemester
13 Gini-Koeffizient. Deskriptive Statistik Univariate Daten Numerisches Maß der Konzentration: G = Fläche zwischen 45 -Linie und L Fläche unter 45 -Linie = Aus den Daten: G = n ix i (n + ) n x i n n = x i n ip i (n + ) n wobei p i = x i x i Problem: G max = n n Normierter Gini-Koeffizient: G = n n G [0;] Etschberger (HS Weingarten) Mathematik Sommersemester Gini-Koeffizient: Beispiel. Deskriptive Statistik Univariate Daten Beispiel: i 3 4 x i 5 0 p i G = ( ) (4 + ) 4 = 0,55 Mit G max = 4 4 = 0,75 folgt G = 4 4 0,55 = 0,7 Etschberger (HS Weingarten) Mathematik Sommersemester
14 . Deskriptive Statistik Univariate Daten Weitere Konzentrationsmaße Konzentrationskoeffizient: CR g = Anteil, der auf die g größten entfällt = p i = v n g Herfindahl-Index: i=n g+ H = p i ( [ ;]) n Es gilt: H = n (V + ) bzw. V = n H Exponentialindex: E = n p p i i ( [ n ;]) wobei 0 0 = Im Beispiel: CR = 7 = 0,85; H = ( ) ( ( 0) = 0,59; E = ) 0 ) 5 5 ( 0 = 0, Etschberger (HS Weingarten) Mathematik Sommersemester Deskriptive Statistik Multivariate Daten Auswertungsmethoden für mehrdimensionales Datenmaterial Kontingenztabelle und Streuungsdiagramm Gegeben: Urliste vom Umfang n zu zwei Merkmalen X und Y: (x, y ), (x, y ),..., (x n, y n ) Kontingenztabelle: Sinnvoll bei wenigen Ausprägungen bzw. bei klassierten Daten. Etschberger (HS Weingarten) Mathematik Sommersemester
15 Kontingenztabelle. Deskriptive Statistik Multivariate Daten Unterscheide: Gemeinsame Häufigkeiten: h ij = h(a i,b j ) Randhäufigkeiten: h i = l h ij und h j = j= k h ij Bedingte (relative) Häufigkeiten: f (a i b j ) = h ij h i h j und f (b j a i ) = h ij Etschberger (HS Weingarten) Mathematik Sommersemester Häufigkeiten. Deskriptive Statistik Multivariate Daten Beispiel: 400 unfallbeteiligte Autoinsassen: leicht verletzt schwer verletzt tot (= b ) (= b ) (= b 3 ) angegurtet (= a ) (= h ) (= h ) (= h 3 ) (= h ) nicht angegurtet (= a ) (= h ) (= h ) (= h 3 ) (= h ) (= h ) (= h ) (= h 3 ) (= n) f (b 3 a ) = 4 40 = 0, f (a b 3 ) = 4 0 = 0,4 (0 % der nicht angegurteten starben.) (40 % der Todesopfer waren nicht angegurtet.) Etschberger (HS Weingarten) Mathematik Sommersemester 008 4
16 Streuungsdiagramm. Deskriptive Statistik Multivariate Daten Streuungsdiagramm sinnvoll bei vielen verschiedenen Ausprägungen (z.b. stetige Merkmale) Alle (x i,y i ) sowie ( x,ȳ) in Koordinatensystem eintragen. Beispiel: i x i y i x = 5 5 = 5 ȳ = 8 5 = 5, y ȳ Etschberger (HS Weingarten) Mathematik Sommersemester x x Korrelationsrechnung. Deskriptive Statistik Multivariate Daten Frage: Wie stark ist der Zusammenhang zwischen X und Y? Antwort: Korrelationskoeffizienten Wahl abhängig vom Skalenniveau von X und Y: Etschberger (HS Weingarten) Mathematik Sommersemester
17 . Deskriptive Statistik Multivariate Daten Bravais-Pearson-Korrelationskoeffizient Voraussetzung: X, Y kardinalskaliert (x i x)(y i ȳ) x i y i n xȳ r = = [ ; +] (x i x) n (y i ȳ) x i n x y i nȳ Etschberger (HS Weingarten) Mathematik Sommersemester Deskriptive Statistik Multivariate Daten Bravais-Pearson-Korrelationskoeffizient Im Beispiel: i x i y i x i y i x i y i x = 5/5 = 5 ȳ = 8/5 = 5,6 r = , ,6 = 0,703 (stark positive Korrelation) Etschberger (HS Weingarten) Mathematik Sommersemester
18 . Deskriptive Statistik Multivariate Daten Rangkorrelationskoeffizient von Spearman Voraussetzung: X, Y (mindestens) ordinalskaliert Vorgehensweise: ➀ Rangnummern R i (X) bzw. R i (Y) mit R( ) i = bei größtem Wert usw. ➁ Berechne 6 n (R i R i ) r SP = [ ; +] (n )n(n + ) Hinweise: - r SP = + wird erreicht bei R i = R i i =,...,n - r SP = wird erreicht bei R i = n + R i i =,...,n Etschberger (HS Weingarten) Mathematik Sommersemester Deskriptive Statistik Multivariate Daten Rangkorrelationskoeffizient von Spearman Im Beispiel: x i R i y i R i r SP = 6 [(5 4) + (3 5) + (4 3) + ( ) + ( ) ] (5 ) 5 (5 + ) = 0,6 Etschberger (HS Weingarten) Mathematik Sommersemester
19 Kontingenzkoeffizient. Deskriptive Statistik Multivariate Daten Gegeben: Kontingenztabelle mit k Zeilen und l Spalten (vgl. hier) Vorgehensweise: ➀ Ergänze Randhäufigkeiten h i = l h ij und h j = j= k h ij ➁ Berechne theoretische Häufigkeiten ➂ Berechne χ = h ij = h i h j n k l j= (h ij h ij ) h ij χ hängt von n ab! (h ij h ij χ χ ) Etschberger (HS Weingarten) Mathematik Sommersemester Kontingenzkoeffizient. Deskriptive Statistik Multivariate Daten ➃ Kontingenzkoeffizient: K = χ n + χ [0;K max ] wobei M K max = mit M ➄ Normierter Kontingenzkoeffizient: M = min{k,l} K = K K max [0;] K = + bei Kenntnis von x i kann y i erschlossen werden u.u. Etschberger (HS Weingarten) Mathematik Sommersemester 008 5
20 Kontingenzkoeffizient Beispiel X : Staatsangehörigkeit (d,a) Y : Geschlecht (m,w). Deskriptive Statistik Multivariate Daten h ij m w h i h ij m w d d 4 36 a a 6 4 h j wobei h = = 4 usw. χ = (30 4) 4 + (30 36) 36 + (0 6) 6 + (30 4) 4 = 6,5 K = 6,5 00+6,5 = 0,45; M = min{, } = ; K max = K = 0,45 0,707 = 0,3430 = 0,707 Etschberger (HS Weingarten) Mathematik Sommersemester Regressionsrechnung. Deskriptive Statistik Multivariate Daten Interpretiere Y als Funktion von X: y = f(x) X heißt Regressor bzw. unabhängige Variable Y heißt Regressand bzw. abhängige Variable Hauptfall: f ist eine Gerade: y = a + b x Lineare Regression: Schätze a und b Prinzip der kleinsten Quadrate: a, b so, dass Q(a,b) = [y i (a + b x i )] min Etschberger (HS Weingarten) Mathematik Sommersemester
21 . Deskriptive Statistik Multivariate Daten Prinzip der kleinsten Quadrate Eindeutige Lösung: ˆb = und = (x i x)(y i ȳ) (x i x) x i y i n xȳ x i n x â = ȳ ˆb x Regressionsgerade: ŷ = â + ˆb x Etschberger (HS Weingarten) Mathematik Sommersemester Deskriptive Statistik Multivariate Daten Beispiel Regressionsrechnung Alle (x i,y i ) sowie ( x,ȳ) als Streuplot in Koordinatensystem eingetragen Beispiel: i x i y i x = 5 5 = 5 ȳ = 8 5 = 5, y x ȳ x Etschberger (HS Weingarten) Mathematik Sommersemester
22 . Deskriptive Statistik Multivariate Daten Regressionsrechnung: Beispiel i x i y i x i y i x i y i n = 5 x = 5 ȳ = 5,6 x i = 59 xi y i = 57 ˆb = , = 0,5 â = 5,6 0,5 5 = 3, y = 3, + 0,5 x y ȳ Prognose: ŷ(0) = 3, + 0,5 0 = 8, x â + ˆbx x Etschberger (HS Weingarten) Mathematik Sommersemester Determinationskoeffizient. Deskriptive Statistik Multivariate Daten Wie gut beschreibt â + ˆbx den Zusammenhang von X und Y? Q(â, ˆb) = n (y i ŷ i ) als Gütemaß ungeeignet (beliebig groß) Determinationskoeffizient (Bestimmtheitskoeffizient): R = (ŷ i ȳ) = (y i ȳ) ŷ i nȳ = r [0;] y i nȳ R heißt auch durch die Regression erklärter Anteil der Varianz R = 0 wird erreicht wenn X, Y unkorreliert R = wird erreicht wenn ŷ i = y i i (alle Punkte auf Regressionsgerade) Im Beispiel: ŷ i = 3, + 0,5 x i, n = 5, ȳ = 5,6, y i = 74 i ŷ i 4, 5, 4,6 7,6 6,6 } R = 4, + +6,6 5 5, ,6 = 0,494 R = r = 0,703 = 0,494 Etschberger (HS Weingarten) Mathematik Sommersemester
23 . Deskriptive Statistik Multivariate Daten Modell des additiven Zeitreihenmodells Additives Zeitreihenmodell: y t = T t + Z t + S t + U t mit: T t : Trendkomponente, i.d.r. linear Z t : Zyklische Komponente, i.d.r. wellenförmig S t : Saisonkomponente, durch saisonalen Einfluss U t : Irreguläre Komponente, schwankt regellos um 0 Etschberger (HS Weingarten) Mathematik Sommersemester Deskriptive Statistik Multivariate Daten Ermittlung der Zeitreihenkomponenten T t : i.d.r. mit Regression nach t, ˆT t = â + ˆb t = Trendbereinigte Zeitreihe y t ˆT t Z t : Schätze zuerst die glatte Komponente G t = T t + Z t auf Basis gleitender Durchschnitte = Ẑ t = Ĝt ˆT t (Hier nicht weiter betrachtet) S t : Schätzung durch Saisonbereinigung U t : Bleiben unberücksichtigt Etschberger (HS Weingarten) Mathematik Sommersemester 008 6
24 . Deskriptive Statistik Multivariate Daten Saisonbereinigung: Gleitende Durchschnitte Zur Schätzung der glatten Komponente Ordnung : Anzahl einbezogener Perioden = Saisonlänge Gleitender Durchschnitt ungerader Ordnung k + : y t = k + t+k τ=t k Gleitender Durchschnitt gerader Ordnung k: y t = y t+(k ) t k + y τ + y t+k k τ=t (k ) Problem: Am Rand gehen Werte verloren. y τ Etschberger (HS Weingarten) Mathematik Sommersemester Deskriptive Statistik Multivariate Daten Beispiel gleitende Durchschnitte Beispiel: Wochentage, tägliche Daten = Saisonlänge: 7 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So y t y t 3,43 3,9 3,9 3,4 3,4 3,86,86 Wert. Donnerstag: Wert. Freitag: 7 ( ) = 3,43 7 ( ) = 3,9 = 3, Etschberger (HS Weingarten) Mathematik Sommersemester
25 Saisonbereinigung. Deskriptive Statistik Multivariate Daten Aus y t = T t + Z t + S t + U t unter Annahme von U t = 0 folgt S t = y t (T t + Z t ). }{{} =G t Also: Schätze G t mit gleitenden Durchschnitten y t und dann S t gemäß y t y t ( um die glatte Komponente bereinigte Zeitreihe ). Periodentypische Abweichung (konstante Saisonfigur): S j = m j (yt y t) Dabei: m j ist Anzahl der Werte, die in die Berechnung von S j eingehen (z.b. Anzahl aller gleitenden Durchschnittswerte für Januar) Etschberger (HS Weingarten) Mathematik Sommersemester Saisonbereinigung Achtung: Anderer Index!. Deskriptive Statistik Multivariate Daten t=,...,n: j=,...,l : Alle Perioden der Zeitreihe Perioden einer Saison Aber: Im Allgemeinen ist l S j 0 j= = Saisonveränderungszahl: Ŝ j = S j l l S j j= Saisonbereinigte Zeitreihe: y t Ŝ j Etschberger (HS Weingarten) Mathematik Sommersemester
26 . Deskriptive Statistik Multivariate Daten Saisonbereinigung: Rezept Rezept Saisonbereinigung Dabei:. Gleitende Durchschnitte der Ordnung l: y t. Um glatte Komponente bereinigte Werte: y t y t 3. Periodendurchschnitte: Sj = m j (yt y t) 4. Normierte Werte: Ŝ j = S j l S j 5. Saisonbereinigte Zeitreihe: y t Ŝj m j ist Anzahl der Werte, die in die Berechnung von S j eingehen (z.b. Anzahl aller gleitenden Durchschnittswerte für Januar) l ist Anzahl der Saisonteile (z.b. l = bei Jahressaisonfiguren mit monatlichen Daten) Etschberger (HS Weingarten) Mathematik Sommersemester Deskriptive Statistik Verhältnis- und Indexzahlen Klassifikation von Verhältniszahlen Verhältniszahlen und Indexzahlen Gliederungszahlen (z.b. Eigenkapitalquote) Verhältniszahlen (Quotienten) Messzahlen (z.b. Preismesszahlen) Beziehungszahlen (z.b. Variationskoeffizient) Etschberger (HS Weingarten) Mathematik Sommersemester
27 Preisindizes. Deskriptive Statistik Verhältnis- und Indexzahlen Preismesszahl: Misst Preisveränderung eines einzelnen Gutes: Preis zum Zeitpunkt j Preis zum Zeitpunkt i dabei: j: Berichtsperiode, i: Basisperiode Preisindex: Misst Preisveränderung mehrerer Güter (Aggregation von Preismesszahlen durch Gewichtung) Notation: p 0 (i) : Preis des i-ten Gutes in Basisperiode 0 p t (i) : Preis des i-ten Gutes in Berichtsperiode t q 0 (i) : Menge des i-ten Gutes in Basisperiode 0 q t (i) : Menge des i-ten Gutes in Berichtsperiode t Etschberger (HS Weingarten) Mathematik Sommersemester Preisindizes. Deskriptive Statistik Verhältnis- und Indexzahlen Gleichgewichteter Preisindex: P G 0t = n p t (i) n p 0 (i) = p t (i) p 0 (i) g(i) mit g(i) = n Nachteil: Auto und Streichhölzer haben gleiches Gewicht Lösung: Preise mit Mengen gewichten! Preisindex von Laspeyres: P L 0t = p t (i)q 0 (i) p 0 (i)q 0 (i) = p t (i) p 0 (i) g 0(i) mit g 0 (i) = p 0(i) q 0 (i) p 0 (j) q 0 (j) j= Preisindex von Paasche: P P 0t = p t (i)q t (i) p 0 (i)q t (i) = p t (i) p 0 (i) g t(i) mit g t (i) = p 0(i) q t (i) p 0 (j) q t (j) j= Etschberger (HS Weingarten) Mathematik Sommersemester
28 Preisindizes: Beispiel. Deskriptive Statistik Verhältnis- und Indexzahlen Campuslebenshaltungskosten: Preis (DM) Menge/Woche Preis (DM) Menge/Woche Gut : Tasse Kaffee 0,65 3,0 Gut : Mensaessen 3,50 5 4,80 3 P L 90,0 =, ,80 5 0, ,50 5 = 7,3 9,45 =,4036 P90,0 P =,0 + 4,80 3 4,95 0,65 = + 3,50 3 0,85 =,38 Etschberger (HS Weingarten) Mathematik Sommersemester Weitere Preisindizes. Deskriptive Statistik Verhältnis- und Indexzahlen Idealindex von Fisher: Marshall-Edgeworth-Index: Preisindex von Lowe: P ME 0t = P F 0t = P L 0t PP 0t P LO 0t = p t (i)[q 0 (i) + q t (i)] p 0 (i)[q 0 (i) + q t (i)] p t (i)q(i) p 0 (i)q(i) Etschberger (HS Weingarten) Mathematik Sommersemester 008 7
29 Weitere Preisindizes: Beispiel. Deskriptive Statistik Verhältnis- und Indexzahlen Campuslebenshaltungskosten: Preis (DM) Menge/Woche Preis (DM) Menge/Woche Gut : Tasse Kaffee 0,65 3,0 Gut : Mensaessen 3,50 5 4,80 3 P F 90,0 =,4036,38 =,393 90,0 =,0 (3 + ) + 4,80 (5 + 3) 4,5 0,65 (3 + = ) + 3,50 (5 + 3) 30,75 =,3955 P ME P LO 90,0 =,0 + 4,80 4 0,65 + 3,50 4 =,4 5,3 =,3987 Etschberger (HS Weingarten) Mathematik Sommersemester Übersicht 3. Wahrscheinlichkeitstheorie Einführung Deskriptive Statistik 3 Wahrscheinlichkeitstheoretische Grundlagen Zufall und Wahrscheinlichkeit Zufallsvariablen und Verteilungen Verteilungsparameter 4 Induktive Statistik 5 Finanzmathematik Etschberger (HS Weingarten) Mathematik Sommersemester
30 3. Wahrscheinlichkeitstheorie Zufall und Wahrscheinlichkeit Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten Zufallsvorgang: Geschehen mit ungewissem Ausgang, z.b. Münzwurf Elementarereignis ω: Ein möglicher Ausgang, z.b. Kopf Elementarereignisse schließen sich gegenseitig aus ( Kopf oder Zahl )! Ergebnismenge Ω: Menge aller ω Beispiel: Werfen zweier Würfel: (,) (,) (,6) (,) (,) (,6) Ω : (6,) (6,) (6,6) Ω = {(x,x ) : x,x {,...,6}} Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Zufall und Wahrscheinlichkeit Ereignisse und Wahrscheinlichkeiten Ereignis A: Folgeerscheinung eines Elementarereignisses Formal: A Ω Ereignisse schließen sich nicht gegenseitig aus! Beispiel: Werfen zweier Würfel: Ereignis verbal formal A Augensumme = 4 {(,3), (,), (3,)} B Erste Zahl = {(,), (,),..., (,6)} Wahrscheinlichkeit P(A): Chance für das Eintreten von A Laplace-Wahrscheinlichkeit: P(A) = A Ω = Anzahl der für A günstigen Fälle Anzahl aller möglichen Fälle Etschberger (HS Weingarten) Mathematik Sommersemester
31 3. Wahrscheinlichkeitstheorie Zufall und Wahrscheinlichkeit Laplace Wahrscheinlichkeit und Urnenmodell Beispiel: Werfen zweier Würfel: Augensumme = 4 : A = {(,3), (,), (3,)} Ω = 36, A = 3 P(A) = 3 36 = = 0,083 Urnenmodell: Ziehe n Objekte aus einer Menge mit N Objekten Anzahl Möglichkeiten: mit Zurücklegen: N n ohne Zurücklegen: N (N ) (N (n )) = N! (N n)! Beispiel: Wie groß ist die Wahrscheinlichkeit, aus einem gut gemischten 3-er Kartenblatt bei viermaligem Ziehen vier Asse zu bekommen? a) Ziehen mit Zurücklegen, b) Ziehen ohne Zurücklegen Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Zufall und Wahrscheinlichkeit Rechenregeln für Wahrscheinlichkeiten Wichtige Rechenregeln:. P(A). P( ) = 0 3. A B P(A) P(B) 4. P(Ā) = P(A) 5. P(A A ) = P(A ) + P(A ) P(A A ) Beispiel: P( Augenzahl 5 ) = P( Augenzahl = 6 ) = 6 = 5 6 Etschberger (HS Weingarten) Mathematik Sommersemester
32 3. Wahrscheinlichkeitstheorie Zufall und Wahrscheinlichkeit Bedingte Wahrscheinlichkeiten Wahrscheinlichkeit von A hängt von anderem Ereignis B ab. (B kann zeitlich vor A liegen, muss aber nicht!) Beispiel: Wahrscheinlichkeit für Statistiknote hängt von Mathenote ab. Formal: Im Venndiagramm: P(A B) = P(A B) P(B) B Ω P(A) = A P(A B) = Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Zufall und Wahrscheinlichkeit Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B) u.u. Formal: P(A B) = P(A) Äquivalent zu: P(A B) = P(A) P(B) Dann gilt: P(A B) = P(A) + P(B) P(A) P(B) Beispiel: Werfen zweier Würfel: A : B : } erster Würfel gleich 6 zweiter Würfel gleich 6 P(A B) = P(A B) P(B) = 36 6 = 6 = P(A) Etschberger (HS Weingarten) Mathematik Sommersemester
33 Zufallsvariablen 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Zufallsvariablen und Verteilungen Beschreibung von Ereignissen durch reelle Zahlen Formal: X : Ω R Nach Durchführung des Zufallsvorgangs: Realisation: x = X(ω) Vor Durchführung des Zufallsvorgangs: Wertebereich: X(Ω) = {x : x = X(ω), ω Ω} Beispiel: Würfeln, X: Augenzahl, X(Ω) = {,,...,6}, x = 4 (z.b.) P(X = 4) = 6, P(X 3) = 3 6 = Etschberger (HS Weingarten) Mathematik Sommersemester Verteilungsfunktion 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Zuweisung von Wahrscheinlichkeiten zu Realisationen Formal: F(x) = P(X x) Eigenschaften: - F(x) [0;] - Definitionsbereich: R mit F( ) = 0, F( ) = - monoton wachsend, d.h. x < x F(x ) F(x ) - Es gilt: F(x).0 P(a < X b) = F(b) F(a) x Etschberger (HS Weingarten) Mathematik Sommersemester 008 8
34 Diskrete Zufallsvariablen 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen X heißt diskret, wenn X(Ω) = {x, x,...} endlich ist. Wahrscheinlichkeitsfunktion dann: f(x) = P(X = x) Beispiel: Münze mal werfen; X: Anzahl Kopf (Z, Z) (Z,K), (K, Z) (K,K) x i 0 f(x i ) 4 4 0, falls x < 0 F(x) =, falls 0 x < 4 3, falls x < 4, falls x f(x) 4 F(x) x 0 x Etschberger (HS Weingarten) Mathematik Sommersemester Binomialverteilung 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Wiederholter Zufallsvorgang n Durchführungen Pro Durchführung: A oder Ā mit P(A) = p ( = Ziehen mit Zurücklegen) Schreibe: X i = {, falls A bei i-ter Durchführung eintritt 0, falls Ā bei i-ter Durchführung eintritt Dann gibt X = an, wie oft A eintritt. Gesucht: Wahrscheinlichkeitsfunktion von X X i Etschberger (HS Weingarten) Mathematik Sommersemester
35 Binomialverteilung 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Herleitung: ) P(X i = ) = P(A) = p, P(X i = 0) = P(Ā) = p ) x i = x entspricht x mal Ereignis A und n x mal Ā Wahrscheinlichkeit (bei Unabhängigkeit): p x ( p) n x ( n 3) Aber: Reihenfolge irrelevant! Anzahl Anordnungen: x) Wahrscheinlichkeitsfunktion: ( n p f(x) = x) x ( p) n x, falls x {0,,...,n} 0, sonst Kurzschreibweise: X B(n; p) F(x) in Tabelle ; für f(x) gilt: f(x) = F(x) F(x ) Etschberger (HS Weingarten) Mathematik Sommersemester Binomialverteilung: Beispiel 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Beispiel Aus einem 3-er Kartenblatt wird 3-mal eine Karte mit Zurücklegen gezogen. Wie wahrscheinlich ist es, -mal Herz zu ziehen? {, falls i-te Karte Herz X i = X 0, sonst i B(; 8 ) 3 X = n X i = X + X + X 3 X B(3; ) 4 Mithilfe der Wahrscheinlichkeitsfunktion: Mithilfe von Tabelle : ( 3 P(X = ) = f() = 0,5 ) 0,75 = 0,406 P(X = ) = F() F() = 0,9844 0,8438 = 0,406 Etschberger (HS Weingarten) Mathematik Sommersemester
36 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Binomialverteilung (BB S. 308) Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Hypergeometrische Verteilung n-faches Ziehen ohne Zurücklegen aus N Objekten, davon M markiert. X = Anzahl gezogener Objekte mit Markierung heißt hypergeometrisch verteilt mit den Parametern N, M, n. Kurzschreibweise: X Hyp(N; M; n) Wahrscheinlichkeitsfunktion: ( )( ) M N M x n x (, falls x möglich f(x) = N n) 0, sonst Ist n N 0, so gilt: Hyp(N;M;n) B(n; M N ) Etschberger (HS Weingarten) Mathematik Sommersemester
37 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Beispiel Aus einem 3-Kartenblatt wird 3-mal eine Karte ohne Zurücklegen gezogen. Wie wahrscheinlich ist es, -mal Herz zu ziehen? D.h.: N = 3, M = 8, n = 3, x =. ( )( ) ( )( ) ! 3 P(X = ) = f() = ( ) = ( ) =! 6! ! 3 3 3! 9! 9! 8! 3! 4 = = ! 6!! = = 55 = 0,355 ( ) ( ) n n! n Dabei wurde verwendet: = und = n. k k!(n k)! Etschberger (HS Weingarten) Mathematik Sommersemester Poisson-Verteilung 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Approximation für B(n; p) und Hyp(N; M; n) Geeignet, wenn p klein ( 0,), n groß ( 50) und np 0. Verteilung der seltenen Ereignisse (z.b. Anzahl 6-er pro Lottoausspielung) Kurzschreibweise: X P(λ) Wahrscheinlichkeitsfunktion: { λ x F(x) in Tabelle f(x) = Überblick: Approximation x! e λ, falls x = 0,,,... 0, sonst p = M N λ = np = n M N Hyp(N; M; n) B(n; p) P(λ) Etschberger (HS Weingarten) Mathematik Sommersemester
38 Poisson-Verteilung: Beispiel 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Beispiel X B(0 000; 0,0003); In Tabelle nicht vertafelt! Approximation: p = 0,0003 < 0, n = 0000 > 50 B(0000; 0,0003) P(3) np = 3 < 0 Mithilfe der Wahrscheinlichkeitsfunktion: Mithilfe von Tabelle : P(X = 5) = 35 5! e 3 = 0,00888 P(X = 5) = F(5) F(4) = 0,96 0,853 = 0,008 Exakter Wert: P(X = 5) = 0,00839 Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Poisson-Verteilung (BB S. 37) Etschberger (HS Weingarten) Mathematik Sommersemester 008 9
39 Stetige Zufallsvariablen 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen X heißt stetig, wenn F(x) stetig ist. Dann gilt: F(x) = x F (x) = f(x) heißt Dichtefunktion von X. Dann: f(t) dt P(a < X < b) = P(a X < b) = P(a < X b) = P(a X b) = b a f(x)dx = F(b) F(a) Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Eigenschaften der Dichtefunktion f(x) 0 für alle x R Wegen F( ) = muss stets gelten: f(x)dx = P(X = x) = 0 für alle x R f(x) > ist möglich F (x) = f(x) Intervallgrenzen spielen keine Rolle: P(X [a;b]) = P(X (a;b]) = P(X [a;b)) = P(X (a;b)) = F(b) F(a) Etschberger (HS Weingarten) Mathematik Sommersemester
40 Dichtefunktion: Beispiel 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Beispiel Verteilungsfunktion: x 0 0, falls x < 0 f(x) = 0, falls 0 x 0 0, falls x > 0 f(t)dt = x 0 0 dt = [ ] t x 0 0 0, falls x < 0 x F(x) = 0, falls 0 x 0, falls x > 0 = x 0 Etschberger (HS Weingarten) Mathematik Sommersemester Gleichverteilung 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Eine Zufallsvariable X mit f(x) = b a, falls a x b 0, sonst heißt gleichverteilt im Intervall [a; b]. f(x) b a a b x Etschberger (HS Weingarten) Mathematik Sommersemester
41 Gleichverteilung 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Verteilungsfunktion: F(x) = 0, falls x < a x a b a, falls a x b, falls x > b Beispiel: X gleichverteilt in [; 0] P( X ) = F() F() = 0 0 = 0 = 0 9 = 0,563 Etschberger (HS Weingarten) Mathematik Sommersemester Normalverteilung Eine Zufallsvariable X mit und σ > 0 heißt normalverteilt. 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen f(x) = (x µ) σ π e σ Kurzschreibweise: X N(µ; σ) Etschberger (HS Weingarten) Mathematik Sommersemester
42 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Normalverteilung: Gaußkurve Gaußsche Glockenkurve f(x) C. F. Gauß Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Eigenschaften der Normalverteilung Dichte ist symmetrisch zu µ: f(µ x) = f(µ + x) µ ist Lage-, σ ist Streuungsparameter Standardnormalverteilung: N(0; ) mit Verteilungsfunktion Φ(x) ( Tabelle 3) Kenntnis von Φ(x), µ und σ genügt, denn: X N(µ;σ) X µ σ N(0;) ( ) x µ F(x) = Φ σ Tabelle 3 enthält nur positive x: Φ( x) = Φ(x) Etschberger (HS Weingarten) Mathematik Sommersemester
43 Normalverteilung: Beispiel 3. Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Beispiel: Projektdauer X N(39; ). Wahrscheinlichkeit für Projektdauer zwischen 37 und 4 Wochen? P(37 X 4) = F(4) F(37) = Φ ( ) ( 4 39 Φ = Φ() Φ( ) = Φ() [ Φ()] = Φ() = 0,843 = 0,686 ) Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Zufallsvariablen und Verteilungen Standardnormalverteilung (BB S. 39) Etschberger (HS Weingarten) Mathematik Sommersemester 008 0
44 Lageparameter 3. Wahrscheinlichkeitstheorie Verteilungsparameter a) Modus x Mod : f(x Mod ) f(x) für alle x (i.a. nicht eindeutig, z.b. Gleichverteilung) Beispiele: - Normalverteilung: x Mod = µ - Diskrete Verteilung mit: x 0 f(x) 4 4 } x Mod = b) Median x Med : F(x Med ) = bzw. kleinstes x mit F(x) > Beispiele: - Normalverteilung: x Med = µ - Diskrete Verteilung oben: F(0) = 4 <, F() = 3 4 > x Med = Etschberger (HS Weingarten) Mathematik Sommersemester Lageparameter: Fraktile 3. Wahrscheinlichkeitstheorie Verteilungsparameter c) α-fraktil x α : F(x α ) = α (für stetige Verteilungen) Beispiel: X N(0; ), Y N(3; ) Hinweise: x 0,975 =,96 (Tab. 3) x 0,05 = x 0,975 =,96 y 0,05 = x 0,05 +3 = 0,9 - x Med = x 0,5 - Wenn x α nicht vertafelt Interpolation: x α x a + (x b x a ) α a b a mit a : größte vertafelte Zahl < α b : kleinste vertafelte Zahl > α Beispiel: X N(0;); x 0,6 0,5 + (0,6 0,5) 0,6 0,5987 0,606 0,5987 = 0,533 Etschberger (HS Weingarten) Mathematik Sommersemester
45 3. Wahrscheinlichkeitstheorie Verteilungsparameter Lageparameter: Erwartungswert d) Erwartungswert E(X) bzw. µ: x i f(x i ), i E(X) = xf(x) dx, falls X diskret falls X stetig Beispiel: Diskrete Verteilung x 0 f(x) 4 4 E(X) = = : Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Verteilungsparameter Rechenregeln für den Erwartungswert ➀ Ist f symmetrisch bzgl. a, so gilt E(X) = a Beispiel: f der Gleichverteilung symmetrisch bzgl. ➁ Lineare Transformation: a+b E(X) = a+b E(a + bx) = a + b E(X) ➂ Summenbildung: ( n ) E X i = E(X i ) Beispiel: X gleichverteilt in [0;0], Y N(; ); Z = X + 5Y E(Z) = E(X + 5Y) = E(X) + E(5Y) = E(X) + 5 E(Y) = = 0 ➃ Unabhängigkeit: X, Y unabhängig E(X Y) = E(X) E(Y) Etschberger (HS Weingarten) Mathematik Sommersemester
46 Streuungsparameter 3. Wahrscheinlichkeitstheorie Verteilungsparameter Varianz Var(X) bzw. σ : [x i E(X)] f(x i ), f. X diskret i Var(X) = E([X E(X)] ) = [x E(X)] f(x) dx, f. X stetig Standardabweichung Sta(X) bzw. σ: Sta(X) = Var(X) Beispiel: Diskrete Verteilung x 0 f(x) 4 4 : Var(X) = (0 ) 4 + ( ) + ( ) 4 = Etschberger (HS Weingarten) Mathematik Sommersemester Wahrscheinlichkeitstheorie Verteilungsparameter Rechenregeln für die Varianz ➀ Verschiebungssatz: Beispiel: Diskrete Verteilung Var(X) = E(X ) [E(X)] x 0 f(x) : 4 4 E(X ) = = 3 E(X ) [E(X)] = 3 = = Var(X) ➁ Lineare Transformation: ➂ Summenbildung: Var(a + bx) = b Var(X) ( n ) Var X i = Var(X i ) Setzt Unabhängigkeit der X i voraus! Etschberger (HS Weingarten) Mathematik Sommersemester
47 3. Wahrscheinlichkeitstheorie Verteilungsparameter Erwartungswerte und Varianzen wichtiger Verteilungen Verteilung von X E(X) VarX Binomialverteilung B(n; p) np np( p) Hypergemoetrische Verteilung mit den Parametern N, M, n n M N n M N N M N N n N Posson-Verteilung P(λ) λ λ Gleichverteilung in [a; b] mit a < b a + b Normalverteilung N(µ;σ) µ σ (b a) Etschberger (HS Weingarten) Mathematik Sommersemester Kovarianz und Korrelation 3. Wahrscheinlichkeitstheorie Verteilungsparameter Kovarianz: Cov(X,Y) = E[(X E(X))(Y E(Y))] = E(X Y) E(X) E(Y) (Verschiebungssatz) Korrelationskoeffizient: Bemerkungen: ρ(x, Y) = Cov(X, Y) Var(X) Var(Y) ➀ ρ ist r nachgebildet ρ [ ; ] ➁ ρ = Y = a + bx (mit b 0) ➂ ρ = 0 X, Y unkorreliert Varianz einer Summe zweier ZV: Var(X + Y) = Var(X) + Var(Y) + Cov(X, Y) Etschberger (HS Weingarten) Mathematik Sommersemester 008 0
48 Übersicht 4. Induktive Statistik Einführung Deskriptive Statistik 3 Wahrscheinlichkeitstheoretische Grundlagen 4 Induktive Statistik Grundlagen Punkt-Schätzung Intervall-Schätzung Signifikanztests 5 Finanzmathematik Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Grundlagen Grundlagen der induktiven Statistik Vollerhebung of unmöglich, Deshalb: Beobachte Teilgesamtheit und schließe auf Grundgesamtheit Beispiel Warensendung von 000 Stück; darunter M Stück Ausschuss. M ist unbekannt. Zufällige Entnahme von n = 30 Stück ( Stichprobe ). Darunter Stück Ausschuss. Denkbare Zielsetzungen: Schätze M durch eine Zahl (z.b = 66,67) Schätze ein Intervall für M (z.b. M [58; 84]) Teste die Hypothese, dass M > 50 ist. Etschberger (HS Weingarten) Mathematik Sommersemester 008
49 Grundbegriffe 4. Induktive Statistik Grundlagen Grundgesamtheit (G): Menge aller relevanten Merkmalsträger. Verteilung von G: F(x) = P(X x) = Wahrscheinlichkeit, dass ein Merkmalsträger ausgewählt wird, der beim untersuchten Merkmal maximal die Ausprägung x aufweist. Uneingeschränkte (reine) Zufallsauswahl: Jedes Element von G hat die selbe Chance, ausgewählt zu werden. Stichprobenumfang (n): Anzahl der Merkmalsträger in der Stichprobe. Einfache Stichprobe: Uneingeschränkte Zufallsauswahl und unabhängige Ziehung. Alle Stichprobenvariablen X,..., X n sind iid. Stichprobenergebnis: n-tupel der Realisationen der Stichprobenvariablen, (x,...,x n ). Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Grundlagen Wichtige Stichprobenfunktionen Gegeben: Einfache Stichprobe X,...,X n, Beliebige Verteilung, mit E(X i ) = µ, Var(X i ) = σ Stichprobenfunktion V Bezeichnung E(V) Var(V) X i Merkmalssumme nµ nσ X = σ X n i Stichprobenmittel µ n X µ n Gauß-Statistik 0 σ n n (X i µ) mittlere quadratische Abweichung bezüglich µ σ (X i X) mittlere quadratische Abweichung S = n S = S n n (X i X) Stichprobenvarianz σ Stichproben-Standardabweichung σ X µ n S t-statistik Herleitungen: BB S. 40 Etschberger (HS Weingarten) Mathematik Sommersemester 008 4
50 Testverteilungen 4. Induktive Statistik Grundlagen ➀ Chi-Quadrat-Verteilung: Sind X,...,X n iid N(0;)-verteilte ZV, so wird die Verteilung von Z = als Chi-Quadrat-Verteilung mit n Freiheitsgraden bezeichnet. X i Kurzschreibweise: Z χ (n) Beispiel: χ (30): x 0,975 = 46,98 Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Grundlagen Testverteilungen: Tabelle der χ -Verteilung (BB S. 34) Etschberger (HS Weingarten) Mathematik Sommersemester 008 6
51 Testverteilungen 4. Induktive Statistik Grundlagen ➁ t-verteilung: Ist X N(0;), Z χ (n), X, Z unabhängig, so wird die Verteilung von T = X n Z als t-verteilung mit n Freiheitsgraden bezeichnet. Kurzschreibweise: T t(n) Beispiel: t(0) x 0,6 = 0,60, x 0,5 = 0, x 0, = x 0,9 =,37 Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Grundlagen Testverteilungen: Tabelle der t-verteilung (BB S. 30) Etschberger (HS Weingarten) Mathematik Sommersemester 008 8
52 Punkt-Schätzung 4. Induktive Statistik Punkt-Schätzung Ein unbekannter Parameter ϑ der Verteilung von G soll auf Basis einer Stichprobe geschätzt werden. Zum Beispiel: σ von N(0; σ) Schätzwert: ˆϑ Vorgehen: Verwendung einer Schätzfunktion ˆΘ = g(x,...,x n ) Beachte: Der Schätzwert ˆϑ ist die Realisierung der ZV (!) Frage: Welche Stichprobenfunktion ist zur Schätzung geeignet? Kriterien für die Beurteilung/Konstruktion von Schätzfunktionen! Im Folgenden: Vorliegen einer einfachen Stichprobe, d.h. X,...,X n iid. ˆΘ. Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Punkt-Schätzung Erwartungstreue und Wirksamkeit Eine Schätzfunktion ˆΘ = g(x,...,x n ) heißt erwartungstreu oder unverzerrt für ϑ, wenn unabhängig vom numerischen Wert von ϑ gilt: E(ˆΘ) = ϑ Beispiel Sind ˆΘ = X, ˆΘ = X +X n, ˆΘ = n a) ˆΘ: E( X) = µ ˆΘ ist erwartungstreu. b) ˆΘ : E ( X +X n ˆΘ ist erwartungstreu. ( ) c) ˆΘ : E X i ˆΘ n X i erwartungstreu für µ? ) = [E(X ) + E(X n )] = = n ist nicht erwartungstreu E(X i ) = n (µ + µ) = µ µ = n n µ µ Etschberger (HS Weingarten) Mathematik Sommersemester 008 0
53 4. Induktive Statistik Punkt-Schätzung Erwartungstreue und Wirksamkeit Welche der erwartungstreuen Schätzfunktionen ˆΘ, ˆΘ ist besser? Von zwei erwartungstreuen Schätzfunktionen ˆΘ, ˆΘ für ϑ heißt ˆΘ wirksamer als ˆΘ, wenn unabhängig vom numerischen Wert von ϑ gilt: Var(ˆΘ) < Var(ˆΘ ) Beispiel: (ˆΘ = X, Wegen ˆΘ = X +X n ) Var(ˆΘ) = Var( X) Var(ˆΘ ) = Var ( X +X (falls n > ) ist ˆΘ wirksamer als ˆΘ. = σ n ) = 4 (σ + σ ) = σ Var(ˆΘ) < Var(ˆΘ ) Etschberger (HS Weingarten) Mathematik Sommersemester 008 Intervall-Schätzung 4. Induktive Statistik Intervall-Schätzung Für einen unbekannten Verteilungsparameter ϑ soll auf Basis einer Stichprobe ein Intervall geschätzt werden. Verwendung der Stichprobenfunktionen V u, V o, so dass V u V o und P(V u ϑ V o ) = α stets gelten. [V u ; V o ] heißt Konfidenzintervall (KI) für ϑ zum Konfidenzniveau α. Beachte: Das Schätzintervall [v u ; v o ] ist Realisierung der ZV (!) V u, V o. Irrtumswahrscheinlichkeit α (klein, i.d.r. α 0,) Frage: Welche Konfidenzintervalle sind zur Schätzung geeignet? Hängt von Verteilung von G sowie vom unbekannten Parameter (µ, σ ) ab! Im Folgenden: Einfache Stichprobe X,...,X n mit E(X i ) = µ, Var(X i ) = σ Etschberger (HS Weingarten) Mathematik Sommersemester 008
54 Intervall-Schätzung 4. Induktive Statistik Intervall-Schätzung Wichtiger Spezialfall: Symmetrische Konfidenzintervalle Symmetrisch heißt nicht, dass die Dichte symmetrisch ist, sondern übereinstimmende W keiten für Über-/Unterschreiten des KI, d.h. P(V u > ϑ) = P(V o < ϑ) = α Wichtig: Eine Verkleinerung von α bewirkt eine Vergrößerung des KI. Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Intervall-Schätzung Überblick Intervallschätzung (BB S. 7) Etschberger (HS Weingarten) Mathematik Sommersemester 008 4
55 4. Induktive Statistik Intervall-Schätzung 3.. KI für µ bei Normalverteilung mit bekanntem σ Vorgehensweise: Etschberger (HS Weingarten) Mathematik Sommersemester Intervallschätzung: Beispiel 4. Induktive Statistik Intervall-Schätzung Beispiel Normalverteilung mit σ =,4 (x,...,x 9 ) = (84,;8,6;85,3;84,5;86,;83,9;85,0;87,;84,4) Gesucht: KI für µ zum Konfidenzniveau α = 0,99. α = 0,99. N(0;): c = x α = x 0,0 = x 0,995 =,576 (Tab. 3; Interpolation) 3. x = 9 (84, ,4) = 84,8 σc 4. n =,4,576 9 =,06 5. KI = [84,8,06;84,8 +,06] = [8,74;86,86] Interpretation: Mit 99 % Wahrscheinlichkeit ist µ [8,74; 86,86]. Etschberger (HS Weingarten) Mathematik Sommersemester 008 6
56 Wichtige Fraktilswerte 4. Induktive Statistik Intervall-Schätzung Wichtige N(0; )-Fraktilswerte: α x α 0,9,855 0,95, ,975, ,99, ,995,57589 (I.d.R. genügen drei Nachkommastellen.) Etschberger (HS Weingarten) Mathematik Sommersemester Intervalllänge 4. Induktive Statistik Intervall-Schätzung Im Fall 3.. gilt offenkundig L = V o V u = σc n Welcher Stichprobenumfang n sichert eine vorgegebene (Maximal-)Länge L? Nach n auflösen! ( σc n L Eine Halbierung von L erfordert eine Vervierfachung von n! Angewendet auf letztes Beispiel: ) L = 4 n ( ),4,576 4 = 9,556 n 0 L = n ( ),4,576 = 38, n 39 Etschberger (HS Weingarten) Mathematik Sommersemester 008 8
57 Konfidenzintervalllänge 4. Induktive Statistik Intervall-Schätzung KI für µ bei Normalverteilung mit unbekanntem σ Vorgehensweise: Zu Schritt : Falls n > 30 wird die N(0; )-Verteilung verwendet. Etschberger (HS Weingarten) Mathematik Sommersemester Konfidenzintervalllänge 4. Induktive Statistik Intervall-Schätzung Beispiel: Wie das letzte Beispiel, jedoch σ unbekannt.. α = 0,99. t(8): c = x α = x 0,0 = x 0,995 = 3,355 (Tab. 4) 3. x = 9 (84, ,4) = 84,8 s = 8 [(84, ,4 ) 9 84,8 ] =,3 4. sc n =,3 3,355 9 =,47 5. KI = [84,8,47;84,8 +,47] = [83,33;86,7] Interpretation: Mit 99 % Wahrscheinlichkeit ist µ [83,33; 86,7]. Etschberger (HS Weingarten) Mathematik Sommersemester
58 4. Induktive Statistik Intervall-Schätzung Konfidenzintervall für µ bei beliebiger Verteilung Voraussetzung: n > 30, bzw. falls G dichotom: 5 n Vorgehensweise: x i n 5 Zu Schritt 3: Manchmal kann anderer Schätzwert ˆσ sinnvoller sein. Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Intervall-Schätzung Konfidenzintervall für µ bei beliebiger Verteilung Beispiel: Poisson-Verteilung mit λ (= µ = σ ) unbekannt. (x,...,x 40 ) = (3;8;... ;6) Gesucht: KI für λ zum Konfidenzniveau α = 0,9. α = 0,9. N(0;) : c = x α = x 0, = x 0,95 =, x = ( ) = 6,5 40 ˆσ = x = 6,5 =,55 (da σ = λ) ˆσc,55, = = 0,66 n KI = [6,5 0,66;6,5 + 0,66] = [5,84;7,6] Etschberger (HS Weingarten) Mathematik Sommersemester 008 3
59 4. Induktive Statistik Intervall-Schätzung 3. KI für σ bei Normalverteilung Vorgehensweise: Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Intervall-Schätzung KI für σ bei Normalverteilung Beispiel: G N(µ;σ); (x,...,x 5 ) = (;,5;,5;3;) Gesucht: KI für σ zum Konfidenzniveau α = 0,99. α = 0,99. χ (5) : c = x α = x 0,005 = 0,4; c = x α = x 0,995 = 6,75 3. x = 5 ( +,5 + + ) = 5 (x i x) = ( ) +(,5 ) +(,5 ) +(3 ) +( ) =,5 4. v u =,5 6,75 = 0,5; v o =,5 0,4 = 6,0 5. KI = [0,5; 6,0] (Extrem groß, da n klein.) Etschberger (HS Weingarten) Mathematik Sommersemester
60 Signifikanztests 4. Induktive Statistik Signifikanztests Vorliegen einer Hypothese über die Verteilung(en) der Grundgesamtheit(en). Beispiele: - - Der Würfel ist fair. Die Brenndauern zweier unterschiedlicher Glühbirnensorten sind gleich. Die Hypothese soll anhand einer Stichprobe überprüft werden. Prinzip: - Hypothese verwerfen, wenn signifikanter Widerspruch zur Stichprobe. - Ansonsten: Hypothese nicht verwerfen. Eine verworfene Hypothese gilt als statistisch widerlegt. Nicht-Verwerfung ist dagegen ein Freispruch aus Mangel an Beweisen. Zu Beachten: Nicht-Verwerfung ist kein statistischer Beweis, dass Hypothese wahr ist! ( Trick : Hypothese falsch Gegenhypothese wahr!) Etschberger (HS Weingarten) Mathematik Sommersemester Einstichproben-Gaußtest 4. Induktive Statistik Signifikanztests Zunächst: - G N(µ; σ) mit σ bekannt - Einfache Stichprobe X,..., X n - (Null-)Hypothese H 0 : µ = µ 0 Beispiel: X,..., X 5 mit X i = Füllmenge der i-ten Flasche N(µ;,5) Nullhypothese H 0 : µ = 500, d.h. µ 0 = 500 Je nach Interessenlage sind unterschiedliche Gegenhypothesen möglich: Entscheidung: a) H : µ µ 0 b) H : µ < µ 0 c) H : µ > µ 0 H 0 : µ = µ 0 wird abgelehnt gegenüber a) H : µ µ 0, wenn x µ 0 sehr groß ist b) H : µ < µ 0, wenn x weit kleiner als µ 0 ist c) H : µ > µ 0, wenn x weit größer als µ 0 ist Etschberger (HS Weingarten) Mathematik Sommersemester
61 Einstichproben-Gaußtest 4. Induktive Statistik Signifikanztests Alternatives Kriterium: v = x µ 0 σ n Vorteil: Verteilung bekannt: N(0; ) Dann: H 0 : µ = µ 0 wird abgelehnt gegenüber a) H : µ µ 0, wenn v sehr groß ist b) H : µ < µ 0, wenn v sehr negativ ist c) H : µ > µ 0, wenn v sehr positiv ist Mögliche Fehlentscheidungen Ablehnung von H 0, obwohl H 0 richtig ist: Fehler. Art Nicht-Ablehnung von H 0, obwohl H 0 falsch ist: Fehler. Art H 0 beibehalten H 0 richtig H 0 ablehnen H 0 beibehalten H 0 falsch H 0 ablehnen Signifikanzniveau α: Maximal erlaubte Wahrscheinlichkeit für einen Fehler. Art. Etschberger (HS Weingarten) Mathematik Sommersemester Einstichproben-Gaußtest 4. Induktive Statistik Signifikanztests Mithilfe von α und V kann geklärt werden, was sehr groß usw. heißt: Wahrscheinlichkeit für Fehler. Art im Fall a): v > x, obwohl H 0 richtig: P( V > x) = P(V > x) + P(V < x) = P(V > x) (Symmetrie der Normalverteilung) = [ P(V x)] = [ Φ(x)]! = α Φ(x) = α x = x α H 0 wird demnach verworfen, wenn v > x α bzw. v B ist. B = ( ; x α ) (x α ; ) heißt Verwerfungsbereich. Analoge Vorgehensweise für die Fälle b) und c) Etschberger (HS Weingarten) Mathematik Sommersemester
62 Einstichproben-Gaußtest 4. Induktive Statistik Signifikanztests Insgesamt: Etschberger (HS Weingarten) Mathematik Sommersemester Einstichproben-Gaußtest 4. Induktive Statistik Signifikanztests Beispiel: X,...,X 5 mit X i N(µ;,5) und x = 499,8 Prüfe H 0 : µ = 500, H : µ 500 zum Signifikanzniveau α = 0,0 Lösung: Einstichproben-Gaußtest, Fall a). α = 0,0. v = 499,8 500,5 5 =,4 3. N(0;) : x α = x 0,005 = x 0,995 =,576 B = ( ;,576) (,576; ) 4. v / B H 0 nicht verwerfen Interpretation: Zum Signifikanzniveau % kann der Brauerei keine Abweichung vom Sollwert µ 0 = 500 nachgewiesen werden. Etschberger (HS Weingarten) Mathematik Sommersemester
63 4. Induktive Statistik Signifikanztests Aufbau und Klassifikation von Signifikanztests Der jeweils geeignete Test hängt ab von... dem zu testenden Hypothesenpaar H 0, H ; unterscheide: - Parametrische Hypothesen: Beziehen sich auf unbekannte(n) Verteilungsparameter (µ, σ,...) - Nichtparametrische Hypothesen: Beinhalten sonstige Aussagen, z.b. Alter und Einkommen sind unabh. den Voraussetzungen an die Verteilung/parameter (z.b. G N(µ; σ)) den Voraussetzungen an den Stichprobenumfang (z.b. n > 30) Art und Anzahl der Stichproben; unterscheide: - Signifikanztests bei einer einfachen Stichprobe - Signifikanztests bei mehreren unabhängigen Stichproben - Signifikanztests bei zwei verbundenen Stichproben Hier nur einfache Stichproben Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Signifikanztests Signifikanztests bei einer einfachen Stichprobe (BB S. 84) Etschberger (HS Weingarten) Mathematik Sommersemester 008 4
64 4. Induktive Statistik Signifikanztests Einstichproben-t-Test und approximativer Gaußtest Gegeben: Einfache Stichprobe X,...,X n mit E(X i ) = µ, Var(X i ) = σ Hypothesenpaare: Voraussetzungen: a) H 0 : µ = µ 0 H : µ µ 0 b) H 0 : µ = µ 0 (oder µ µ 0 ), H : µ < µ 0 c) H 0 : µ = µ 0 (oder µ µ 0 ), H : µ > µ 0. Normalverteilung mit σ unbekannt (Einstichproben-t-Test) oder. Beliebige Verteilung mit n > 30 bzw. 5 x i n 5 (bei B(; p)) (approximativer Gaußtest) Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Signifikanztests Einstichproben-t-Test, approx. Gaußtest; Vorgehensweise Etschberger (HS Weingarten) Mathematik Sommersemester
65 4. Induktive Statistik Signifikanztests Einstichproben-t-Test, approx. Gaußtest Beispiel: {, falls i-te Person Wähler der Partei X,..., X 000 B(; p) mit X i = 0, sonst 000 x i = 08 Prüfe H 0 : p 0,05 gegen H : p > 0,05 zum Signifikanzniveau % Lösung: approx. Gaußtest, Fall c); Voraussetzung erfüllt: α = 0,0. v = ,05 0,05 ( 0,05) 000 = 0,8 3. N(0; ) : x α = x 0,98 =,05 (Tab. 3) B = (,05; ) 4. v / B H 0 nicht verwerfen Zusatzfrage: Entscheidung, falls α = 0,0? Keine Änderung! Etschberger (HS Weingarten) Mathematik Sommersemester Induktive Statistik Signifikanztests Chi-Quadrat-Test für die Varianz Gegeben: Einfache Stichprobe X,..., X n N(µ; σ) Hypothesenpaare: Vorgehensweise: a) H 0 : σ = σ 0 H : σ σ 0 b) c) H 0 : σ = σ 0 H 0 : σ = σ 0 (oder σ σ 0 ), (oder σ σ 0 ), H : σ < σ 0 : σ > σ 0 Etschberger (HS Weingarten) Mathematik Sommersemester
66 4. Induktive Statistik Signifikanztests Chi-Quadrat-Test für die Varianz Beispiel: G N(µ; σ) (x,...,x 0 ) = (00; 30; 50; 70; 0; 070; 30; 50; 30; 00) Prüfe H 0 : σ = 40, H : σ 40 zum Signifikanzniveau α = 0, Lösung: χ -Test für die Varianz, Fall a); Voraussetzungen erfüllt. α = 0,. x = 0 ( ) = 64 v = 40 [(00 64) + (30 64) + + (00 64) ] = 6,65 3. χ (9) : x α = x 0,05 = 3,33; x α B = [0; 3,33) (6,9; ) 4. v / B H 0 nicht verwerfen = x 0,95 = 6,9 (Tab. 5) Etschberger (HS Weingarten) Mathematik Sommersemester Übersicht 5. Finanzmathematik Einführung Deskriptive Statistik 3 Wahrscheinlichkeitstheoretische Grundlagen 4 Induktive Statistik 5 Finanzmathematik Lernziele Zins- und Zinseszinsrechnung Äquivalenzprinzip und Kapitalwert Rentenrechnung Tilgungsrechnung Etschberger (HS Weingarten) Mathematik Sommersemester
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Einführung 2 Deskriptive Statistik
MehrStatistik Workshop. 12. und 14. Januar 2015. Prof. Dr. Stefan Etschberger. Outline
Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten. und 4. Prof. Dr. Stefan Etschberger Outline : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe der
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
MehrDIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007
Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrDeskriptive Statistik
Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche
MehrFormelsammlung und Glossar zum Kurs Statistik (Kurs 33209) mit Konzeptpapier Stand: 18. März 2011
Formelsammlung und Glossar zum Kurs Statistik (Kurs 33209) mit Konzeptpapier Stand: 18. März 2011 S. 34 35: Anmerkungen und Ergänzungen für Studierende im BSc Psychologie c 2011 FernUniversität in Hagen,
Mehr1. Einführung und statistische Grundbegriffe. Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik:
. Einführung und statistische Grundbegriffe Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik: Quantitative Information Graphische oder tabellarische Darstellung von Datenmaterial
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrWörterbuch Statistik. Für Statistiker und solche, die es werden wollen oder müssen. die wichtigsten Begriffe mit Formeln
Für Statistiker und solche, die es werden wollen oder müssen Prof. Dr. Bianca Krol Prof. Dr. Karsten Lübke Wörterbuch Statistik die wichtigsten Begriffe mit Formeln Liebe Studierende, Anfang Mai 2011 hat
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrProf. Dr. P. von der Lippe Statistik I NK SS 2002 Seite 1
Prof. Dr. P. von der Lippe Statistik I NK SS 2002 Seite 1 Aufgabe 1 a) BWL-Student S hat von seinem Lieblingsonkel 10.000 geschenkt bekommen mit der Auflage damit etwas Vernünftiges zu machen. Nachdem
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrEinführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik () Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de Gliederung Allgemeine Statistik. Deskriptive Statistik. Wahrscheinlichkeitstheorie.3
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
Mehr1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18
3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
Mehr1 Von den Ereignissen U und V eines Zufallsexperiments kennt man die Eigenschaften (1) bis (3) :
Prof. Dr. E. Mammen SEMINAR FÜR STATISTIK Prof. Dr. H. Stenger UNIVERSITÄT MANNHEIM Vierstündige Klausur in statistischer Methodenlehre 9. Juli 003; 8:30 - :30 Zulässige Hilfsmittel: keine, insbesondere
MehrMathematik 2 für TM Aufgabensammlung Sommersemester 2008 Prof. Dr. Stefan Etschberger Hochschule Ravensburg-Weingarten
Mathematik 2 für TM Aufgabensammlung Sommersemester 2008 Prof. Dr. Stefan Etschberger Hochschule Ravensburg-Weingarten Aufgabe 1 Ein Einzelhändler registriert für einen Exklusivartikel im Verlauf von 30
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrGrundbegriffe (1) Grundbegriffe (2)
Grundbegriffe (1) S.1 Äquivalenzklasse Unter einer Äquivalenzklasse versteht man eine Klasse von Objekten, die man hinsichtlich bestimmter Merkmalsausprägungen als gleich (äquivalent) betrachtet. (z.b.
MehrPrüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)
2 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik Name, Vorname:... verteilung Teil 1: Beschreibende Statistik Aufgaben
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
Mehr9. StatistischeTests. 9.1 Konzeption
9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
MehrEine computergestützte Einführung mit
Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik
MehrBeispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests
Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
Mehr1 Verteilungen und ihre Darstellung
GKC Statistische Grundlagen für die Korpuslinguistik Kapitel 2: Univariate Deskription von Daten 8.11.2004 Univariate (= eindimensionale) Daten bestehen aus Beobachtungen eines einzelnen Merkmals. 1 Verteilungen
MehrVeranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME):
Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): MATRIKELNUMMER: Alte Prüfungsordnung/Neue Prüfungsordnung
MehrFragestellungen der Schließenden Statistik
Fragestellungen der Schließenden Statistik Bisher: Teil I: Beschreibende Statistik Zusammenfassung von an GesamtheitM N {e,,e N } erhobenem Datensatz x,,x N durch Häufigkeitsverteilung und Kennzahlen für
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2008 Aufgabe 1 I) Einige Mitarbeiter
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
MehrStatistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00.
1 Statistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses
MehrGrundlagen der Wirtschaftsmathematik
Prof. Dr. Jochen Schwarze Überarbeitung: Prof. Dr. Hermann Singer Dipl.-Stat. Anja Bittner Grundlagen der Wirtschaftsmathematik und Statistik Teil Statistik, Glossar Das Werk ist urheberrechtlich geschützt.
MehrPrüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)
2 3 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik BeStat-1 (7 ) n = 400 Personen wurden gefragt, wie viele Stück eines
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung Die Messung Skalenniveaus 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Grundbegriffe Statistische Einheit,
MehrSkript zur Übung: Grundlagen der empirischen Sozialforschung - Datenanalyse
Skript zur Übung: Grundlagen der empirischen Sozialforschung - Datenanalyse Phasen des Forschungsprozesses Auswahl des Forschungsproblems Theoriebildung Theoretische Phase Konzeptspezifikation / Operationalisierung
MehrGefahrene km Anzahl der. eine Summenlinie beziehungsweise Summentreppe zur graphischen Darstellung einer Häufigkeitsverteilung geeignet? 3.
SEMINAR FÜR STATISTIK Stand 17. April 23 UNIVERSITÄT MANNHEIM Aufgabensammlung zur Veranstaltung Deskriptive Statistik 1. Aufgabe Geben Sie für die Merkmale Einkommen Haarfarbe soziale Stellung Körperlänge
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011 Aufgabe 1 Nach einer
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrTeil II: Einführung in die Statistik
Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu
Mehr- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch
1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt
MehrSozialwissenschaftliche Methoden und Statistik I
Sozialwissenschaftliche Methoden und Statistik I Universität Duisburg Essen Standort Duisburg Integrierter Diplomstudiengang Sozialwissenschaften Skript zum SMS I Tutorium Von Mark Lutter Stand: April
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 16. April 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 2 1 ii) empirische
MehrFormelsammlung zur Lehrveranstaltung Statistik für Betriebswirte. 12. Oktober 2015
Formelsammlung zur Lehrveranstaltung Statistik für Betriebswirte 12. Oktober 2015 Inhaltsverzeichnis 1 Beschreibende Statistik 1 1.1 Eindimensionale Daten........................... 1 1.1.1 Parameter..............................
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrAufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500
Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren
MehrStatistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00.
1 Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses
MehrStatistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE
Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE INHALTS- VERZEICHNIS Vorwort 13 Schreiben Sie uns! 15 1 Statistische Untersuchungen 17 Wozu Statistik? 18
MehrSkript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik)
Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) 1. Einleitung Deskriptive Statistik: Allgemeine und spezielle
MehrFachhochschule Düsseldorf Wintersemester 2008/09
Fachhochschule Düsseldorf Wintersemester 2008/09 Teilfachprüfung Statistik im Studiengang Wirtschaft Prüfungsdatum: 26.01.2009 Prüfer: Prof. Dr. H. Peters, Diplom-Vw. Lothar Schmeink Prüfungsform: 2-stündige
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrEinseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur.
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Analyse und modellhafte
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
Mehr4. Auswertung eindimensionaler Daten
4. Auswertung eindimensionaler Daten Ziel dieses Kapitels: Präsentation von Methoden zur statistischen Auswertung eines einzelnen Merkmals 64 Bezeichnungen (Wiederholung): Merkmalsträger: e 1,..., e n
MehrPhysica-Lehrbuch. Ein anwendungsorientiertes Lehr- und Arbeitsbuch. von Christine Duller
Physica-Lehrbuch Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch von Christine Duller Neuausgabe Einführung in die Statistik mit EXCEL und SPSS Duller schnell
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
MehrBeispiele zur UE Wirtschaftsstatistik 1 bei Nagel
Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum
MehrEinfache statistische Testverfahren
Einfache statistische Testverfahren Johannes Hain Lehrstuhl für Mathematik VIII (Statistik) 1/29 Hypothesentesten: Allgemeine Situation Im Folgenden wird die statistische Vorgehensweise zur Durchführung
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrEinfache Statistiken in Excel
Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrStatistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik
Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Markt+Technik Vorwort Schreiben Sie uns! 13 15 Statistische Untersuchungen 17 Wozu Statistik? 18 Wirtschaftliche
MehrGrundlagen Wahrscheinlichkeitsrechnung, Statistik
Grundlagen Wahrscheinlichkeitsrechnung, Statistik Was ist Statistik? Wahrscheinlichkeit Grundgesamtheit und Verteilung Verteilung von Stichprobenparametern und Intervallschätzung Werkzeug Varianzanalyse
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrFelix Klug SS 2011. 2. Tutorium Deskriptive Statistik
2. Tutorium Deskriptive Statistik Felix Klug SS 2011 Skalenniveus Weitere Beispiele für Skalenniveus (Entnommen aus Wiederholungsblatt 1.): Skalenniveu Nominalskala Ordinalskala Intervallskala Verhältnisskala
MehrBeschreibende Statistik und Wirtschaftsstatistik
Springer-Lehrbuch Karl Mosler Friedrich Schmid Beschreibende Statistik und Wirtschaftsstatistik Zweite, verbesserte Auflage Mit 41 Abbildungen und 2 Tabellen 4y Springer Univ.-Professor Dr. Karl Mosler
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrAnalyse klassierter Daten: Vor der Analyse fasst man jeweils mehrere Merkmalsausprägungen in (Merkmalswerte-)Klassen zusammen.
4. Analyse univariater Daten: Übersicht Mathematik ist die Wissenschaft der reinen Zahl, Statistik die der empirischen Zahl Von univariaten Daten spricht man, wenn bei der Datenerhebung nur ein Merkmal
MehrNachholklausur STATISTIK II
Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
Mehr