Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben

2018 | Buch

Einführung Kapitel lesen Erstes Kapitel lesen

Statistik im Bachelor-Studium

Eine Einführung für Wirtschaftswissenschaftler

verfasst von: Prof. Dr. Uwe Hassler

Verlag: Springer Fachmedien Wiesbaden

Buchreihe : Studienbücher Wirtschaftsmathematik

Enthalten in: Springer Professional "Wirtschaft+Technik" , Springer Professional "Technik" , Springer Professional "Wirtschaft"

Einloggen, um Zugang zu erhalten
insite
SUCHEN

Über dieses Buch

Dieses Buch umfasst genau den Stoff, der typischerweise in Klausuren zu Einführungsvorlesungen "Statistik" an wirtschaftswissenschaftlichen Fachbereichen abgeprüft wird. Es enthält mehr als 100 ehemalige Klausuraufgaben mit Lösungen auf der Verlagsseite, die das Klausurtraining erleichtern sollen. Weiterhin finden sich über 60 vollständig durchgerechnete und ausformulierte Beispiele und Fallstudien.

Inhaltsverzeichnis

Frontmatter
1. Einführung
Zusammenfassung
Glaube keiner Statistik, die du nicht selbst gefälscht hast!
Die Statistik hat einen schlechten Ruf. Tatsächlich aber betreiben wir alle täglich Statistik, wenn wir Erfahrungswerte zu Gesetzmäßigkeiten oder Tendenzaussagen verallgemeinern. Wie steht es um den Wahrheitsgehalt solcher Aussagen und Überzeugungen? Oder genauer: Wie groß ist die Wahrscheinlichkeit, dass sie zutreffen? Dadurch unterscheidet sich die Statistik als wissenschaftliche Methode von der Kaffeesatzleserei: Bei statistisch fundierten Aussagen versuchen wir, den Grad der Unsicherheit zu quantifizieren. Aus einer Reihe von beobachteten Einzelfällen, aus einer Stichprobe, versuchen wir, auf ein zugrunde liegendes Muster zu schließen. Einen solchen Schluss nennt man auch Induktion. Vor dem statistischen, induktiven Schluss steht häufig eine Deskription (Beschreibung) der Daten, dann sprechen wir von deskriptiver Statistik.
Uwe Hassler
2. Beschreibende Methoden univariater Datenanalyse
Zusammenfassung
Nach der Klärung einiger Grundbegriffe werden wir Häufigkeitsverteilungen, Lagemaße und Boxplots kennenlernen, die allgemein geeignet sind, in Daten vorhandene Information zu verdichten. Eine solche Informationsverdichtung ist üblicherweise der erste Schritt zu einem Schluss auf unbekannte Eigenschaften.
Uwe Hassler
3. Weiterführende Methoden und Zusammenhangsanalysen
Zusammenfassung
In diesem Kapitel werden einige Verfahren behandelt, die über eine elementare Charakterisierung von Eigenschaften eines Datensatzes hinausgehen. Insbesondere werden wir in den beiden letzten Abschnitten einen ersten Schritt in Richtung Zusammenhangsmessung bei bivariaten Daten (Beobachtungspaaren) unternehmen.
Uwe Hassler
4. Wahrscheinlichkeitsrechnung
Zusammenfassung
Statistische Verfahren werden typischerweise verwendet, um von einer Stichprobe auf die Grundgesamtheit zu schließen. Interessiert ist man eigentlich an der Grundgesamtheit, aber oft lässt diese sich nicht in vollem Umfang beobachten. Eine Totalerhebung der Grundgesamtheit kann zu aufwendig sein (weil zu zeitintensiv oder zu kostspielig) oder auch technisch unmöglich (z. B. im Fall einer Verkehrskontrolle, bei welcher der Anteil des Alkohols im Blut einer Person gemessen werden soll). Deshalb werden oft nur Stichproben gezogen. Dabei ist darauf zu achten, dass die Stichprobe repräsentativ für die Grundgesamtheit ist und zufällig erhoben wird. Natürlich ist dann der statistische Schluss von der Stichprobe auf die Grundgesamtheit mit Unsicherheit behaftet. Wie kann diese Unsicherheit quantifiziert werden? Wie groß muss der Stichprobenumfang sein, damit die Unsicherheit innerhalb vorgegebener Grenzen bleibt? Die Beantwortung solcher Fragen verlangt Grundbegriffe der Wahrscheinlichkeitsrechnung als Fundament für die mathematische Erfassung des Zufalls.
Uwe Hassler
5. Zufallsvariablen und Verteilungen
Zusammenfassung
In vielen Fällen ist man nicht an den eigentlichen Ergebnissen eines Zufallsvorgangs interessiert, sondern eher an Zahlen wie Gewinn oder Verlust, die mit den Ergebnissen verbunden sind. Solche Zufallsvariablen sind die theoretischen Entsprechungen der Merkmale \(X\) aus Kap. 2. Daher werden auch die dort eingeführten empirischen Lage- und Streuungsmaße nun ihre theoretischen Entsprechungen erhalten. Dabei werden wir wieder den diskreten Fall vom stetigen Fall unterscheiden und auch das Konzept der Verteilungsfunktion theoretisch neu auflegen.
Uwe Hassler
6. Verteilungsmodelle
Zusammenfassung
Es sollen nun zuerst einige wichtige, in der Praxis häufig eingesetzte Verteilungsmodelle eher überblicksartig betrachtet werden. Insbesondere geben wir die Formeln für Erwartungswert und Varianz an. Dann widmen wir uns ausführlicher speziell der für das Weitere grundlegenden Normalverteilung und ihrer bivariaten Verallgemeinerung.
Uwe Hassler
7. Summen und Mittel von Stichprobenvariablen
Zusammenfassung
Das arithmetische Mittel ist aus inhaltlicher Sicht von zentraler Bedeutung. Aber auch aus statistischer Sicht ist es von großer Wichtigkeit, weil das arithmetische Mittel näherungsweise einer Normalverteilung folgt. Dieser sog. zentrale Grenzwertsatz begründet die herausragende Stellung der Normalverteilung in der Statistik trotz des Umstandes, dass viele ökonomische Daten für sich genommen gar nicht normalverteilt sind. Daher werden wir auf den zentralen Grenzwertsatz in den nachfolgenden Kapiteln immer wieder zurückgreifen.
Uwe Hassler
8. Parameterschätzung
Zusammenfassung
Mit der Ziehung von Stichproben und der Bildung bestimmter Stichprobenfunktionen möchte man möglichst gute Schlüsse über die Grundgesamtheit ziehen. Dabei unterstellt man für ein interessierendes Merkmal eine Verteilungsannahme. Unbekannt ist hingegen der Wert der Parameter der Verteilung, z. B. das \(\mu\) und \(\sigma\) bei Annahme der Normalverteilung, das \(\lambda\) bei einer Poisson-Verteilung, oder auch die Korrelation zwischen zwei Merkmalen. Der Schluss aus einer Stichprobe („Empirie“) auf Parameter eines unterstellten (Verteilungs-) Modells der Grundgesamtheit („Theorie“) macht das Wesen der induktiven Statistik aus.
Uwe Hassler
9. Konfidenzintervalle
Zusammenfassung
Selbst wenn \(\widehat{\theta}\) ein „sehr guter“ Schätzer für \(\theta\) ist, so wird er den wahren Parameterwert in endlichen Stichproben nur mit Wahrscheinlichkeit null exakt treffen. Im Allgemeinen weiß man nicht, wie weit die Schätzung vom wahren Wert entfernt liegt. Nach dem Prinzip „Man trifft eine Fliege kaum mit einer Stecknadel, sondern eher mit einer Fliegenklatsche“ erfolgt der Übergang von der Punktschätzung zur Intervallschätzung: Man gibt einen Bereich an, der den unbekannten Parameterwert mit einer vorgegebenen Wahrscheinlichkeit überdeckt.
Uwe Hassler
10. Statistische Tests
Zusammenfassung
Die bisherige Betrachtung bezog sich auf die Schätzung von Parametern (Punktschätzung und Intervallschätzung). Nun sollen Vermutungen, Behauptungen oder Hypothesen über Verteilungen oder Parameter anhand von Stichproben untersucht werden. Im Grunde geht es darum, bei Entscheidungen unter Unsicherheit eben die Unsicherheit zu quantifizieren. Diesen Bereich der Statistik nennt man (statistisches) Testen. Natürlich kann man seine Entscheidungen auch aus dem Bauch heraus fällen, und damit muss man nicht einmal schlecht liegen. Wenn es aber darum geht, Entscheidungen zu rechtfertigen, einem Geldgeber oder einer Vorgesetzten gegenüber, dann ist es unerlässlich, objektiv nachvollziehbare Kriterien heranzuziehen, und genau dies leistet die Statistik.
Uwe Hassler
11. Weitere spezielle Testprobleme
Zusammenfassung
In diesem Kapitel untersuchen wir als Erstes Tests auf Gleichheit von Erwartungswerten, wobei es sich um Erwartungswerte aus einer verbundenen Stichprobe oder aus zwei oder mehreren unabhängigen Stichproben handeln kann. Als Zweites wenden wir uns einem Test zu, mit dem man Verteilungsannahmen über Stichprobenvariablen überprüfen kann. Letztlich werden Zusammenhangsanalysen in Form von Unabhängigkeits- und Unkorreliertheitstests vorgestellt. Um das Signifikanzniveau \(\alpha\) kontrollieren zu können, unterstellen wir wieder eine Zufallsstichprobe, d. h., die Stichprobenvariablen sind unabhängig und identisch verteilt.
Uwe Hassler
12. Das lineare Regressionsmodell
Zusammenfassung
In diesem Kapitel werden die Bereiche Schätzen und Testen miteinander verbunden. Es soll die metrische Variable \(y\) in Abhängigkeit von der Variablen \(x\) untersucht werden. Dabei beschränken wir uns auf lineare Abhängigkeiten – daher auch der Begriff „Lineare Regression“. Die Annahme der Linearität hat ihren Vorteil in der Einfachheit und ist auch nicht unrealistisch, da viele Zusammenhänge zumindest näherungsweise linear sind oder durch geeignete Transformationen linearisiert werden können. Das Ziel der linearen Regression ist die Beschreibung der Struktur eines Zusammenhangs von zwei oder mehr Merkmalen aus einer verbundenen Stichprobe, die Überprüfung von theoretischen Zusammenhängen und die Prognose von Werten. Nach einer ausführlichen Diskussion der Einfachregression werden wir abschließend das Modell mit mehreren erklärenden Variablen betrachten. Die erklärenden Variablen werden in diesem Kontext oft Regressoren genannt. Das lineare Regressionsmodell ist das Instrument, welches in der sog. Ökonometrie und empirischen Wirtschaftsforschung am häufigsten zum Einsatz kommt.
Uwe Hassler
13. Tabellen zu Verteilungsfunktionen und Quantilen
Zusammenfassung
Die Tabelle enthält die Werte der Verteilungsfunktion für ausgewählte Werte von \(p\), wobei die Unterteilung in Blöcke durch verschiedene \(n\) erfolgt.
$$\displaystyle F(x)=\mathrm{P}(X\leq x)=\sum_{i=0}^{x}\binom{n}{i}\,p^{i}\,(1-p)^{n-i}$$
Die Tabelle enthält die Werte der Verteilungsfunktion für ausgewählte Werte von \(\lambda\).
$$\displaystyle F(x)=\mathrm{P}(X\leq x)=\sum_{i=0}^{x}e^{-\lambda}\frac{\lambda^{i}}{i!}$$
Die Tabelle enthält ausgewählte Werte der Verteilungsfunktion \(\Phi\).
$$\displaystyle\Phi(z)=\mathrm{P}(Z\leq z)=\int_{-\infty}^{z}\frac{1}{\sqrt{2\pi}}e^{-x^{2}/2}\,\text{d}x$$
Die Tabelle enthält ausgewählte Quantile \(z_{p}\) mit \(\Phi(z_{p})=p\).
Die Tabelle enthält ausgewählte Quantile \(t_{p}(\nu)\) der \(t\)-Verteilung mit \(\nu\) Freiheitsgraden.
Die Tabelle enthält ausgewählte Quantile \(\chi_{p}^{2}(\nu)\) der \(\chi^{2}\)-Verteilung mit \(\nu\) Freiheitsgraden.
Die Tabelle enthält ausgewählte Quantile \(F_{p}(r,\nu)\) der \(F\)-Verteilung mit \(r\) und \(\nu\) Freiheitsgraden.
Uwe Hassler
Backmatter
Metadaten
Titel
Statistik im Bachelor-Studium
verfasst von
Prof. Dr. Uwe Hassler
Copyright-Jahr
2018
Electronic ISBN
978-3-658-20965-0
Print ISBN
978-3-658-20964-3
DOI
https://doi.org/10.1007/978-3-658-20965-0

Premium Partner

    Bildnachweise