Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
|
|
- Linda Inge Kopp
- vor 6 Jahren
- Abrufe
Transkript
1 Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 07
2
3 Gini-Koeffizient Numerisches Maß der : Gini-Koeffizient G Aus den Daten: G = G = Fläche zwischen 45 -Linie und L Fläche unter 45 -Linie n i= Problem: G max = n n i p i (n + ) n wobei p i = = x i n i= x i 3. Deskriptive 5. Induktive Normierter Gini-Koeffizient: G = n n G [0; ] 8
4 Gini-Koeffizient: Beispiel Beispiel: i 3 4 x i 5 0 p i G = ( ) (4 + ) 4 Mit G max = 4 4 = 0,75 folgt G = 4 4 0,55 = 0,7 = 0,55 3. Deskriptive 5. Induktive 83
5
6 smaße: Beispiel Armutsbericht der Bundesregierung 008 Verteilung der Bruttoeinkommen in Preisen von 000 aus unselbständiger Arbeit der Arbeitnehmer/-innen insgesamt Anteil am Einkommen,0 0,8 0,6 0,4 0, 3. Deskriptive 0, 0,4 0,6 0,8,0 Anteil der Bevölkerung Arithmetisches Mittel Median Gini-Koeffizient 0,433 0,44 0,448 0, Induktive 84
7
8 Lorenzkurve mit R require(ineq) # inequality Paket Lorenz = Lc(na.exclude(MyData$AusgSchuhe)) plot(lorenz, xlab="", ylab="", main="") # Standard plot plot(c(0,), c(0,), type="n", # bisschen netter panel.first=grid(lwd=.5, col=rgb(0,0,0,/)), xlab="", main="", ylab="") polygon(lorenz$p, Lorenz$L, density=-, col=rgb(0,0,,/4), lwd=) Deskriptive 5. Induktive Gini(na.exclude(AusgSchuhe)) # Gini-Koeffizient ## []
9 Weitere smaße skoeffizient: CR g = Anteil, der auf die g größten entfällt = Herfindahl-Index: H = n p i ( [ ; ]) n i= n i=n g+ Es gilt: H = n (V + ) bzw. V = n H Exponentialindex: E = n i= p p i i Im Beispiel mit x = (,,, 5): ( [ n ; ]) wobei 0 0 = CR = 7 = 0,85 0 ( ) H = E = ( ) 5 = 0,59 0 ( ) 0 ( 5 ) 5 0 = 0,44 p i = v n g 3. Deskriptive 5. Induktive 86
10 Auswertungsmethoden für zweidimensionale Daten Zweidimensionale Urliste 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. Ausprägungen von Y Ausprägungen von X b b... b l a h h... h l 3. Deskriptive 5. Induktive a h h... h l.... a k h k h k... h kl 87
11 Kontingenztabelle Unterscheide: Gemeinsame : h ij = h(a i, b j ) Randhäufigkeiten: l h i = h ij und h j = j= Bedingte (relative) : k i= h ij 3. Deskriptive 5. Induktive f (a i b j ) = h ij h i h j und f (b j a i ) = h ij 88
12 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) 3. Deskriptive 5. Induktive 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.) 89
13 Streuungsdiagramm Beispiel: i x i y i Deskriptive 5. Induktive x = 5 5 = 5 ȳ = 8 5 = 5,6 90
14 Streuungsdiagramm Streuungsdiagramm sinnvoll bei vielen verschiedenen Ausprägungen (z.b. stetige Merkmale) Alle (x i, y i ) sowie ( x, ȳ) in Koordinatensystem eintragen. Beispiel: 9 8 i x i y y i x = 5 5 = 5 ȳ = 8 5 = 5,6 x y x 3. Deskriptive 5. Induktive 90
15 Beispiel Streuungsdiagramm 3. Deskriptive 5. Induktive (Datenquelle: Fahrmeir u. a., (009)) 9
16 Beispiel Streuungsdiagramm if (!require("rcolorbrewer")) { install.packages("rcolorbrewer") library(rcolorbrewer) } mieten <- read.table(' header=true, sep='\t', check.names=true, fill=true, na.strings=c('','')) x <- cbind(nettomieten=mieten$nm, Wohnflaeche=mieten$wfl) library("geneplotter") ## from BioConductor smoothscatter(x, nrpoints=inf, colramp=colorramppalette(brewer.pal(9,"ylorrd")), bandwidth=c(30,3)) Wohnflaeche Deskriptive 5. Induktive
17 Beispiel Streuungsdiagramm x = cbind("alter des Vaters"=AlterV, "Alter der Mutter"=AlterM) require("geneplotter") ## from BioConductor smoothscatter(x, colramp=colorramppalette(brewer.pal(9,"ylorrd")) ) Alter der Mutter Deskriptive 5. Induktive Alter des Vaters 93
18 require(ggally) ggpairs(mydata[, c("alter", "AlterV", "AlterM", "Geschlecht")], upper = list(continuous = "density", combo = "box"), color='geschlecht', alpha=0.5) 0.5 Alter AlterV AlterM Geschlecht Frau Mann Alter AlterV AlterM Geschlecht 3. Deskriptive 5. Induktive Frau Mann 94
19 Bagplot: Boxplot in Dimensionen require(aplpack) bagplot(jitter(alterv), jitter(alterm), xlab="alter des Vaters", ylab="alter der Mutter") ## [] "Warning: NA elements have been exchanged by median values!!" Alter der Mutter Deskriptive 5. Induktive Alter des Vaters 95
20 Bubbleplot: 3 metrische Variablen require(desctools) My.ohne.NA = na.exclude(mydata[,c("alterm", "AlterV", "Alter")]) with(my.ohne.na, { Alter.skaliert = (Alter-min(Alter))/(max(Alter)-min(Alter)) PlotBubble(jitter(AlterM), jitter(alterv), Alter.skaliert, col=setalpha("deeppink4",0.3), border=setalpha("darkblue",0.3), xlab="alter der Mutter", ylab="alter des Vaters", panel.first=grid(), main="") }) Alter des Vaters Deskriptive 5. Induktive Alter der Mutter Größe der Blasen: Alter zwischen 0 (Jüngster) und (Ältester) 96
21 Circular Plots: Assoziationen require(desctools) with(mydata, { PlotCirc(table(Studiengang, Geschlecht), acol=c("dodgerblue","seagreen","limegreen","olivedrab","goldenrod","tomato"), rcol=setalpha(c("red","orange","olivedrab"), 0.5) )}) Mann BW ET 3. Deskriptive 5. Induktive IM Frau Inf 97
22 srechnung Frage: Wie stark ist der Zusammenhang zwischen X und Y? Dazu: skoeffizienten Verschiedene Varianten: Wahl abhängig vom Skalenniveau von X und Y: Skalierung von Y Skalierung von X kardinal ordinal nominal kardinal ordinal Bravais-Pearson- skoeffizient Rangkorrelationskoeffizient von Spearman 3. Deskriptive 5. Induktive nominal Kontingenzkoeffizient 98
23 srechnung Frage: Wie stark ist der Zusammenhang zwischen X und Y? Dazu: skoeffizienten Verschiedene Varianten: Wahl abhängig vom Skalenniveau von X und Y: Skalierung von Y Skalierung von X kardinal ordinal nominal kardinal ordinal Bravais-Pearson- skoeffizient Rangkorrelationskoeffizient von Spearman 3. Deskriptive 5. Induktive nominal Kontingenzkoeffizient 98
24 srechnung Frage: Wie stark ist der Zusammenhang zwischen X und Y? Dazu: skoeffizienten Verschiedene Varianten: Wahl abhängig vom Skalenniveau von X und Y: Skalierung von Y Skalierung von X kardinal ordinal nominal kardinal ordinal Bravais-Pearson- skoeffizient Rangkorrelationskoeffizient von Spearman 3. Deskriptive 5. Induktive nominal Kontingenzkoeffizient 98
25 y skoeffizient von Bravais und Pearson Bravais-Pearson-skoeffizient Voraussetzung: X, Y kardinalskaliert n P n P (xi x)(y i y) x y x xi yi nx y i= s r = s i= [ ; +] = s n n n n P P P P (xi x) x i nx yi ny (yi y) i= i= i= i= 3. Deskriptive Induktive
26 skoeffizient von Bravais und Pearson Bravais-Pearson-skoeffizient Voraussetzung: X, Y kardinalskaliert n n (x i x)(y i ȳ) x i y i n xȳ i= i= r = = [ ; +] n (x i x) n n n (y i ȳ) x i n x y i nȳ i= i= i= i= r = r = 0,999 r = 0, Deskriptive 5. Induktive r = 0,9 r = 0,487 r = 0,03 99
27 Bravais-Pearson-skoeffizient Im Beispiel: i x i y i x i y i x i y i x = 5/5 = 5 ȳ = 8/5 = 5,6 3. Deskriptive 5. Induktive r = , ,6 = 0,703 (deutliche positive ) 00
28 Guess The Correlation guessthecorrelation.com 3. Deskriptive 5. Induktive Go for the Highscore! 0
29 Rangkorrelationskoeffizient von Spearman Voraussetzungen: X, Y (mindestens) ordinalskaliert, Ränge eindeutig (keine Doppelbelegung von Rängen) Vorgehensweise: ➀ Rangnummern R i (X) bzw. R i (Y) mit R ( ) i Wert usw. ➁ Berechne Hinweise: r SP = 6 n (R i R i ) i= (n ) n (n + ) r SP = + wird erreicht bei R i = R i r SP = wird erreicht bei R i = n + R i = bei größtem [ ; +] i =,..., n i =,..., n Falls Ränge nicht eindeutig: Bindungen, dann Berechnung von r SP über Ränge und Formel des Korr.-Koeff. von Bravais-Pearson 3. Deskriptive 5. Induktive 0
30
31 Rangkorrelationskoeffizient von Spearman Im Beispiel: x i R i y i R i Deskriptive r SP = 6 [(5 4) + (3 5) + (4 3) + ( ) + ( ) ] (5 ) 5 (5 + ) = 0,6 5. Induktive 03
Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Weitere smaße skoeffizient: CR g = Anteil,
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg Streuungsparameter Etschberger SS Voraussetzung: kardinale Werte x,..., x n Beispiel:
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 03 Hochschule Augsburg : Gliederung Einführung Deskriptive Statistik 3 Wahrscheinlichkeitstheorie
MehrStatistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA
Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten 12. und 14. Prof. Dr. Stefan Etschberger HSA Outline 1 : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 07 Stefan Etschberger Outline : Einführung Berühmte Leute zur Wie lügt man mit? Gute und schlechte
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF. DR. ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 04.06.2013 Zweidimensionale Datensätze 1. Kontingenztabelle
MehrLösungen zur deskriptiven Statistik
Lösungen zur deskriptiven Statistik Aufgabe 1. Bei einer Stichprobe von n = Studenten wurden folgende jährliche Ausgaben (in e) für Urlaubszwecke ermittelt. 1 58 5 35 6 8 1 6 55 4 47 56 48 1 6 115 8 5
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger. Outline. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 04 Prof. Dr. Stefan Etschberger Outline Statistik: Einführung Berühmte Leute zur Statistik Wie lügt man mit Statistik? Begriff
MehrSkalenniveaus =,!=, >, <, +, -
ZUSAMMENHANGSMAßE Skalenniveaus Nominalskala Ordinalskala Intervallskala Verhältnisskala =,!= =,!=, >, < =,!=, >, ,
MehrStatistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.
Zusammenfassung und wichtiges zur Prüfungsvorbereitung 9. Dezember 2008 Begriffe Kenntnis der wichtigen Begriffe und Unterscheidung dieser. Beispiele: Merkmal, Merkmalsraum, etc. Skalierung: Nominal etc
MehrSkript Statistik. Gerhard Kuhn, rechnenmachtspass.de Version 3
Skript Statistik Gerhard Kuhn, rechnenmachtspass.de Version 3 1 Deskriptive Statistik 1.1 Grundbegriffe [SR13] 1.1.1 Die wichtigsten Skalen 1) nominale Skala: Beispiel: Automarken 2) odinale Skala (Rangskala):
MehrStatistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 6 Gerhard Tutz, Jan Ulbricht WS 05/06.
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt Gerhard Tutz, Jan Ulbricht WS 05/0 Lösung Aufgabe 4 Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a },
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Ausgangsdaten Bundesliga 2008/2009 Gegeben: Daten zu den 18 Vereinen der ersten Bundesliga
MehrLösungen zur Klausur zur Statistik Übung am
Lösungen zur Klausur zur Statistik Übung am 28.06.2013 Fabian Kleine Staatswissenschaftliche Fakultät Aufgabe 1 Gegeben sei die folgende geordneten Urliste des Merkmals Y. 30 Punkte Y : 5 5 5 5 10 10 10
MehrKapitel 5 Wichtige Maßzahlen für den Zusammenhang zwischen Merkmalen
Kapitel 5 Wichtige Maßzahlen für den Zusammenhang zwischen Merkmalen 5.1 Darstellung der Verteilung zweidimensionaler Merkmale 5.2 Maßzahlen für den Zusammenhang zweier nominaler Merkmale 5.3 Maßzahlen
MehrStatistik. Von Dr. Günter Bamberg. o. Professor für Statistik und Dr. habil. Franz Baur. Universität Augsburg. 12., überarbeitete Auflage
Statistik Von Dr. Günter Bamberg o. Professor für Statistik und Dr. habil. Franz Baur Universität Augsburg 12., überarbeitete Auflage R.01denbourg Verlag München Wien V INHALTSVERZEICHNIS Vorwort Liste
MehrBivariate Verteilungen [bivariate data]
Bivariate Verteilungen [bivariate data] Zwei Variablen X, Y werden gemeinsam betrachtet, d.h. an jedem Objekt i werden zwei Merkmale beobachtet. Beobachtungswerte sind Paare/Kombinationen von Merkmalsausprägungen
Mehr6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale
6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens ordinalskaliert, typischerweise
MehrDeskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 27. f X Y (a i b j ) = f i j = f ij f j
1 Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS 2011 Lösung Aufgabe 27 (a) Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a 2 }, S Y {ja, nein} {b
MehrInhaltsverzeichnis Grundlagen aufigkeitsverteilungen Maßzahlen und Grafiken f ur eindimensionale Merkmale
1. Grundlagen... 1 1.1 Grundgesamtheit und Untersuchungseinheit................ 1 1.2 Merkmal oder statistische Variable........................ 2 1.3 Datenerhebung.........................................
MehrW-Rechnung und Statistik für Ingenieure Übung 5
W-Rechnung und Statistik für Ingenieure Übung 5 Grafische/ tabellarische Darstellung für bivariate Daten diskrete Merkmale (qualitativ+ quantitativ diskret) stetige Merkmale (quantitativ stetig) Zusammenhangsmaße
MehrSerie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6. Statistik-Tutorium. Lösungsskizzen Übung SS2005. Thilo Klein. Grundstudium Sommersemester 2008
Serie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6 Lösungsskizzen Übung SS2005 Grundstudium Sommersemester 2008 Serie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6 Inhalt Serie 1 Serie 2 Serie 3 Serie 4 Serie
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Kontingenzkoeffizient Gegeben: Kontingenztabelle mit k Zeilen und l Spalten
MehrHans-Friedrich Eckey / Reinhold Kosfeld / Christian Dreger. Statistik. Grundlagen - Methoden - Beispiele GABLER
Hans-Friedrich Eckey / Reinhold Kosfeld / Christian Dreger Statistik Grundlagen - Methoden - Beispiele GABLER INHALTSVERZEICHNIS TEIL I: DESKRIPTIVE STATISTIK 1. GEGENSTAND UND GRUNDBEGRIFFE DER STATISTIK
MehrDeskriptive Statistik Auswertung durch Informationsreduktion
Deskriptive Statistik Auswertung durch Informationsreduktion Gliederung Ø Grundbegriffe der Datenerhebung Total-/Stichprobenerhebung, qualitatives/quantitatives Merkmal Einteilung der Daten (Skalierung,
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS15B Oettinger 9/216 Aufgabe 1 (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Falsch: die beiden Größen sind
MehrTeil / Ein paar statistische Grundlagen 25. Kapitel 1 Was Statistik ist und Warum sie benötigt Wird 2 7
Inhaltsverzeichnis Einführung 21 Über dieses Buch 21 Törichte Annahmen über den Leser 22 Wie dieses Buch aufgebaut ist 23 Teil I: Ein paar statistische Grundlagen 23 Teil II: Die beschreibende Statistik
MehrStichwortverzeichnis. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Stichwortverzeichnis Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - Anwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch):
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Kontingenzkoeffizient Beispiel X : Staatsangehörigkeit (d,a) Y : Geschlecht (m,w) wobei
MehrDeskriptive Statistik
Helge Toutenburg Christian Heumann Deskriptive Statistik Eine Einführung in Methoden und Anwendungen mit R und SPSS Siebte, aktualisierte und erweiterte Auflage Mit Beiträgen von Michael Schomaker 4ü Springer
MehrStatistik Aufgabensammlung Sommersemester 2008 Prof. Dr. Stefan Etschberger Hochschule Ravensburg-Weingarten. Aufgabe 1. Aufgabe 2.
Statistik Aufgabensammlung Sommersemester 2008 Prof. Dr. Stefan Etschberger Hochschule Ravensburg-Weingarten Aufgabe 1 Ein Einzelhändler registriert für einen Exklusivartikel im Verlauf von 30 Verkaufstagen
MehrUmfrage <- read.csv("http://goo.gl/ymeyjp", sep = ";", dec = ",")
Aufgabe 8 R: Deskriptives mit R Häufigkeiten in R und Umgang mit fehlenden Werten Häufigkeitsauszählungen können in R mit table() erstellt werden. cumsum() bildet kumulierte Summen. mean() berechnet das
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
Mehr5 Assoziationsmessung in Kontingenztafeln
5 Assoziationsmessung in Kontingenztafeln 51 Multivariate Merkmale 51 Multivariate Merkmale Gerade in der Soziologie ist die Analyse eindimensionaler Merkmale nur der allererste Schritt zur Beschreibung
MehrStatistik. Prof. em. Dr. Dr. h.c. Günter Bamberg PD Dr. Franz Baur Prof. Dr.Michael Krapp. 17., überarbeitete Auflage. Oldenbourg Verlag München.
Statistik von Prof. em. Dr. Dr. h.c. Günter Bamberg PD Dr. Franz Baur Prof. Dr.Michael Krapp 17., überarbeitete Auflage Oldenbourg Verlag München Inhaltsverzeichnis Vorwort Liste wichtiger Symbole IX XI
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 2 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrStatistik. Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz. Der Weg zur Datenanalyse. Springer. Zweite, verbesserte Auflage
Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz Statistik Der Weg zur Datenanalyse Zweite, verbesserte Auflage Mit 165 Abbildungen und 34 Tabellen Springer Inhaltsverzeichnis Vorwort v 1 Einführung
MehrKapitel VII - Konzentration von Merkmalswerten
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VII - Konzentration von Merkmalswerten Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrMusterlösung zur Aufgabensammlung Statistik I Teil 3
Musterlösung zur Aufgabensammlung Statistik I Teil 3 2008, Malte Wissmann 1 Zusammenhang zwischen zwei Merkmalen Nominale, Ordinale Merkmale und Mischungen Aufgabe 12 a) x\ y 1.Klasse 2.Klasse 3.Klasse
MehrStatistik Bachelorstudiengang Betriebswirtschaft/Management
Statistik Bachelorstudiengang Betriebswirtschaft/Management Prof. Dr. Stefan Etschberger Hochschule Weingarten Sommersemester 2008 Organisatorisches zur Vorlesung Vorlesungsbegleitende Unterlagen: Foliensatz
Mehr3.1 Zusammenhang zwischen einem qualitativen und einem quantitativen Merkmal
Kapitel 3 Bivariate Analyse In Kapitel 2 haben wir gesehen, wie man ein Merkmal auswertet. Mit Hilfe statistischer Verfahren kann man aber auch untersuchen, ob zwischen mehreren Merkmalen Abhängigkeiten
MehrStatistik I für Betriebswirte Vorlesung 10
Statistik I für Betriebswirte Vorlesung 10 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 13. Juni 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrZusammenhangsanalyse mit SPSS. Messung der Intensität und/oder der Richtung des Zusammenhangs zwischen 2 oder mehr Variablen
- nominal, ordinal, metrisch In SPSS: - Einfache -> Mittelwerte vergleichen -> Einfaktorielle - Mehrfaktorielle -> Allgemeines lineares Modell -> Univariat In SPSS: -> Nichtparametrische Tests -> K unabhängige
MehrKendall s Tau. Betrachte Paare von Beobachtungen (x i, y i ) und (x j, y j ) Ein Paar heißt:
Kendall s Tau Betrachte Paare von Beobachtungen (x i, y i ) und (x j, y j ) Ein Paar heißt: konkordant, diskordant, falls x i < x j und y i < y j oder x i > x j und y i > y j falls x i < x j und y i >
MehrGrundlagen der empirischen Sozialforschung
Grundlagen der empirischen Sozialforschung Sitzung 11 - Datenanalyseverfahren Jan Finsel Lehrstuhl für empirische Sozialforschung Prof. Dr. Petra Stein 5. Januar 2009 1 / 22 Online-Materialien Die Materialien
MehrStatistik Aufgabensammlung
Fachhochschule für Oekonomie und Management Wintersemester 2007/08 Statistik Aufgabensammlung Prof. Dr. Stefan Etschberger Institut für Oekonomie & Management Fachhochschule für Oekonomie und Management
MehrAufgabenstellung und Ergebnisse zur. Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2015/16. Dr.
Aufgabenstellung und Ergebnisse zur Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 205/6 Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Die Klausur besteht
MehrStatistik für Wirtschaftswissenschaftler
Aufgaben und Lösungen zum Buch Statistik für Wirtschaftswissenschaftler Grundlagen und praktische Anwendungen 2. überarbeitete Auflage Ira Frost 3 1 Grundbegriffe 1. Die Nationale Verzehrsstudie ist eine
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 21. Januar 2016 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Punkte: 15, 15, 12, 14, 16, 18 ; Summe der Punkte: 90 Aufgabe 1 15 Punkte Bei
MehrInhaltsverzeichnis. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Inhaltsverzeichnis Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - Anwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch):
MehrSehr Einigermaßen Nicht Schüler Lehrer Eltern h 0.j n=500
1. Aufgabe 1.1 Kreuz- bzw. Kontingenztabelle, auch bivariate Häufigkeitsverteilung. Mermal X: nominal, Merkmal Y: ordinal. Tabelle der beobachteten Häufigkeiten mit Randverteilungen: Ich (mein Kind) fühlt
MehrEinführung in die sozialwissenschaftliche Statistik
Einführung in die sozialwissenschaftliche Statistik Sitzung 4 Bivariate Deskription Heinz Leitgöb in Vertretung von Katrin Auspurg Sommersemester 2015 04.05.2015 Überblick 1. Kontingenztabellen 2. Assoziationsmaße
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.5: Histogramm (klassierte erreichte Punkte, Fortsetzung Bsp. 1.1) 0.25 0.2 Höhe 0.15 0.1 0.05 0 0 6 7 8,5 10 11 erreichte Punkte Dr. Karsten Webel 24 Beispiel 1.5: Histogramm (Fortsetzung) Klasse
Mehr6. Multivariate Verfahren Übersicht
6. Multivariate Verfahren 6. Multivariate Verfahren Übersicht 6.1 Korrelation und Unabhängigkeit 6.2 Lineare Regression 6.3 Nichtlineare Regression 6.4 Nichtparametrische Regression 6.5 Logistische Regression
Mehr7. Konzentrations- und Disparitätsmessung
7. Konzentrations- und Disparitätsmessung Betrachte: Merkmal X, bei dem alle Daten x i 0 sind und die Merkmalssumme n i=1 x i eine sinnvolle Interpretation besitzt (extensives Merkmal) 314 Beispiel: X:
MehrStatistik I für Betriebswirte Vorlesung 9
Statistik I für Betriebswirte Vorlesung 9 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik Vorlesung am 8. Juni 2017 im Audi-Max (AUD-1001) Dr. Andreas Wünsche Statistik I für Betriebswirte
MehrVorläufige Musterlösungen (Stand: 21. März 2013) zur Klausur zu. Modul 2 im BSc-Studiengang Psychologie. apl. Prof. Dr. H.-J.
LOTSE Vorläufige Musterlösungen (Stand: 21. März 2013) zur Klausur zu Modul 2 im BSc-Studiengang Psychologie Termin: 5. März 2013, 14.00-18.00 Uhr apl. Prof. Dr. H.-J. Mittag Dr. H.-G. Sonnenberg; Prof.
MehrGrafische Darstellung bivariater Daten: Handwerkszeug der deskriptiven Statistik
Grafische Darstellung bivariater Daten: Handwerkszeug der deskriptiven Statistik Beuth Hochschule für Technik 31. Oktober 2012 Multivariate Daten: Mietspiegel Daten > miete < read. table ( f i l e = "
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrHerzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung
FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik smaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer
Mehrhtw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK htw saar 2 Grundbegriffe htw saar 3 Grundgesamtheit und Stichprobe Ziel: Über eine Grundgesamtheit (Population) soll eine Aussage über ein
Mehr1. Datei Informationen
1. Datei Informationen Datei vorbereiten (Daten, Variablen, Bezeichnungen und Skalentypen) > Datei Dateiinformation anzeigen Arbeitsdatei 2. Häufigkeiten Analysieren Deskriptive Statistik Häufigkeiten
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei gleichzeitiger Beobachtung von 2 Merkmalen für jeden Merkmalsträger stellt sich auch im Bereich der deskriptiven
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
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
MehrChristoph Schöffel, Deskriptive Statistik. 1. Kapitel: Eindimensionale Häufigkeitsverteilungen 1. Thema 1: Darstellungsweise von Merkmalen 1
Inhaltsübersicht 1. Kapitel: Eindimensionale Häufigkeitsverteilungen 1 Thema 1: Darstellungsweise von Merkmalen 1 1. Diskrete und (quasi-)kontinuierliche Merkmale 1 1.1 Was sind Merkmale 1 1.2 Darstellungsweise
MehrWeitere Lagemaße: Quantile/Perzentile I
3 Auswertung von eindimensionalen Daten Lagemaße 3.3 Weitere Lagemaße: Quantile/Perzentile I Für jeden Median x med gilt: Mindestens 50% der Merkmalswerte sind kleiner gleich x med und ebenso mindestens
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 2015/16 Prof. Dr. Stefan Etschberger HSA : Table of Contents 1 Finanzmathematik 2 Lineare Programme 3 Differentialgleichungen 4 Statistik: Einführung
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrInhalt. Wirtschaftsmathematik Aufgabensammlung Teil 2 Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
Wirtschaftsmathematik Aufgabensammlung Teil 2 Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Inhalt Aufgaben zur deskriptiven Statistik 5 Aufgabe 1: Häufigkeit............. 5 Aufgabe
MehrGünther Bourier. Beschreibende Statistik. Praxisorientierte Einführung - Mit. Aufgaben und Lösungen. 12., überarbeitete und aktualisierte Auflage
i Günther Bourier Beschreibende Statistik Praxisorientierte Einführung - Mit Aufgaben und Lösungen 12., überarbeitete und aktualisierte Auflage 4^ Springer Gabler Inhaltsverzeichnis Vorwort V 1 Einführung
MehrKapitel VIII - Mehrdimensionale Merkmale
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Mehrdimensionale Merkmale Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF. DR. ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 28.05.2013 Konzentrationsmaße 1. Konzentrationsbegriff
MehrKapitel 3: Lagemaße. Ziel. Komprimierung der Daten zu einer Kenngröße, welche die Lage, das Zentrum der Daten beschreibt
Kapitel 3: Lagemaße Ziel Komprimierung der Daten zu einer Kenngröße, welche die Lage, das Zentrum der Daten beschreibt Dr. Matthias Arnold 52 Definition 3.1 Seien x 1,...,x n Ausprägungen eines kardinal
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2013
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2013 1. Welche Aussage zur Statistik (in den Sozialwissenschaften) sind richtig? (2 Punkte) ( ) Statistik ist die Lehre von Methoden
Mehr5.5 PRE-Maße (Fehlerreduktionsmaße) 6
359 5.5 PRE-Maße (Fehlerreduktionsmaße) 6 5.5.1 Die grundlegende Konstruktion Völlig andere, sehr allgemeine Grundidee zur Beschreibung von Zusammenhängen. Grundlegendes Prinzip vieler statistischer Konzepte.
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS tfü. Springer Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R 3 1.1 Installieren und Starten von R 3 1.2 R-Befehle
MehrHäufigkeitsverteilungen und Statistische Maßzahlen. Häufigkeitsverteilungen und Statistische Maßzahlen. Variablentypen. Stichprobe und Grundgesamtheit
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Häufigkeitsverteilungen und Statistische Maßzahlen Statistik SS Variablentypen Qualitative
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
MehrEs können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
Mehr3 Bivariate Deskription und Exploration von Daten
3 Bivariate Deskription und Exploration von Daten In diesem Kapitel werden Methoden zur Darstellung der gemeinsamen Verteilung von zwei (oder mehreren) verschiedenen Merkmalen behandelt. Von besonderer
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrKarl Entacher. FH-Salzburg
Ahorn Versteinert Bernhard.Zimmer@fh-salzburg.ac.at Statistik @ HTK Karl Entacher FH-Salzburg karl.entacher@fh-salzburg.ac.at Beispiel 3 Gegeben sind 241 NIR Spektren (Vektoren der Länge 223) zu Holzproben
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Graphische Repräsentation von Kontingenztabellen
MehrLeseprobe. Michael Sachs. Wahrscheinlichkeitsrechnung und Statistik. für Ingenieurstudenten an Fachhochschulen. ISBN (Buch):
Leseprobe Michael Sachs Wahrscheinlichkeitsrechnung und Statistik für Ingenieurstudenten an Fachhochschulen ISBN (Buch): 978-3-446-43797-5 ISBN (E-Book): 978-3-446-43732-6 Weitere Informationen oder Bestellungen
MehrWiederholung Statistik I. Statistik für SozialwissenschaftlerInnen II p.8
Wiederholung Statistik I Statistik für SozialwissenschaftlerInnen II p.8 Konstanten und Variablen Konstante: Merkmal hat nur eine Ausprägung Variable: Merkmal kann mehrere Ausprägungen annehmen Statistik
MehrFrank Lammers. Statistik I: deskriptive und explorative Statistik. Lehr- und Übungsbuch
Frank Lammers Statistik I: deskriptive und explorative Statistik Lehr- und Übungsbuch 2004 Verlag der Gesellschaft für Unternehmensrechnung und Controlling m.b.h. Vorwort I Vorwort zur zweiten Auflage
Mehr4 Spezifizierende Beschreibung empirischer Verteilungen
4 Spezifizierende Beschreibung empirischer Verteilungen 55 4 Spezifizierende Beschreibung empirischer Verteilungen 4.1 Spezifika empirischer Verteilungen 59 4.2 Lagekennwerte 63 4.2.1 Arithmetisches Mittel
MehrRumpfskript. Deskriptive Statistik. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Rumpfskript Deskriptive Statistik Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern ist auch nur
MehrStatistik I (Deskriptive Statistik)
Folien zur Vorlesung Statistik I (Deskriptive Statistik) Wintersemester 2011/2012 Donnerstag, 10.15-11.45 Uhr Hörsaal: Aula am Aasee Dr. Andrea Beccarini Westfälische Wilhelms-Universität Münster Inhalt
MehrEigene MC-Fragen SPSS
Eigene MC-Fragen SPSS 1. Welche Spalte ist in der Variablenansicht unbedingt festzulegen? [a] Variablenlabel [b] Skala [c] Name [d] Typ [e] Wertelabel 2. Wie heißt das Standardfenster von SPSS? [a] Dialogfenster
MehrAngewandte Statistik mit R
Reiner Hellbrück Angewandte Statistik mit R Eine Einführung für Ökonomen und Sozialwissenschaftler 2., überarbeitete Auflage B 374545 GABLER Inhaltsverzeichnis Vorwort zur zweiten Auflage Tabellenverzeichnis
MehrGrundlagen der empirischen Sozialforschung
Grundlagen der empirischen Sozialforschung Sitzung 10 - Datenanalyseverfahren Jan Finsel Lehrstuhl für empirische Sozialforschung Prof. Dr. Petra Stein 22. Dezember 2008 1 / 21 Online-Materialien Die Materialien
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2010
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 010 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
Mehr