Foliensatz BWI105 SS2020 Rev

Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
Mathematische Grundlagen der Wirtschaftsinformatik

Modulteil a: Mathematische Grundlagen
Modulteil b: Deskriptive Statistik
BWI105 / BWID104
Mathematische Grundlagen der

1
Wirtschaftsinformatik
ORGANISATION, INHALTE UND LERNZIELE

2
Organisation I
• Modulnummer: BWI105 / BWID104
• Vorlesung: eigentlich Donnerstag 08:00h bis 12:00h. Wegen der

Sondersituation der Corona-Epidemie, werden die Termine oder
alternative Lernformen im Lernraum bekanntgegeben.
• Umfang: 4 SWS
• Credits: 5 CP
• Prüfung: Klausur mit Inhalten aus beiden Modulteilen
L Mathematische Grundlagen der

3
Organisation II
• Ansprechpartner:
Prof. Dr. Matthias Freund (Z130) matthias.freund@hs-niederrhein.de
• Sprechstunde (Freund): Im Anschluss an die Vorlesung oder nach

Absprache.
• Material: Wenn Sie die Vorlesung regelmäßig besuchen, ist diese

Foliensammlung ausreichend.

4
Organisation III
• Erlaubte Hilfsmittel in der Klausur:
– Ein einfacher, wissenschaftlicher, nicht programmierbarer,
Taschenrechner (ohne weitergehende Berechnung von
Funktionseigenschaften, z.B. Nullstellen, Ableitungen,
Flächenberechnung usw. und ohne „naturale“ Funktionseingabe)
– Ihr selbsterstellter (handschriftlicher!) „Spickzettel“ (ein Blatt DIN A4
mit Formeln)
– Alle (von mir!) mit Z gekennzeichneten Folien
• „Spickzettel“:
Sie können den Spickzettel mit der Klausur abgeben und erhalten in
diesem Fall dafür Punkte angerechnet:
– 1 Pkt. bei fast vollständigen Spickzetteln
– 2 Pkt. bei vollständigen und eher strukturierten Spickzetteln
– 3 Punkt bei vollständigen und sehr gut strukturierten Spickzettel
L Z Mathematische Grundlagen der

5
Organisation VI
• Ergänzende Literatur (Modulteil a):
– Kirsch, S. / Führer, C.: Wirtschaftsmathematik, 4. Aufl., 2014
– Luderer, B. / Würker, U.: Einstieg in die Wirtschaftsmathematik, 8. Aufl.,
2011
– Heinrich, G.: Basiswissen Mathematik, Statistik und Operations Research
für Wirtschaftswissenschaftler, 5. Aufl., 2013 (für beide Teile)
• Ergänzende Literatur (Modulteil b):
– Grundlegend: Brell, C / Brell, J. / Kirsch, S.: Statistik von Null auf Hundert.
Mit Kochrezepten schnell zum Statistik-Grundwissen, 1. Aufl., 2014
– Fortgeschritten: Schira, J.: Statistische Methoden der VWL und BWL.
Theorie und Praxis, 4. Aufl. 2012
• Für spezielle Quellen bei einzelnen Fragestellungen sprechen Sie mich

einfach an.

6
Hintergrund und Lernziele I

• Mathematik ist sowohl für wirtschaftswissenschaftliche Themen als auch
für die Informatik eine unerlässliche Grundlage. Außerdem benötigen Sie
für den anderen Modulteil „Statistik“ mathematisches Grundwissen.
• Der Modulteil a beschäftigt sich deshalb…
– …mit der Formalsprache der Mathematik
– …mit den Grundlagen der Aussagenlogik und Mengenlehre
– …mit Zahlen, Variablen und mathematischen Operationen.
– …mit Folgen, Reihen, Gleichungen und Ungleichungen
– …mit ausgewählten mathematische Funktionen (insbesondere solche mit
ökonomischem Bezug)
– …mit Gleichungssystemen
– …mit Vektoren und Matrizen
– …mit den Grundlagen der Kombinatorik & Wahrscheinlichkeitsrechnung

7
Hintergrund und Lernziele II

• Warum (deskriptive) Statistik?
– Weil statistische Methodenkompetenz essentiell für das Verständnis
in allen (empirischen) Wissenschaften und mithin auch für
wirtschaftswissenschaftlicher Fragestellung ist! Ohne diese
Verständnis verstehen Sie viele weiterführende Veranstaltungen nicht!
– Weil die Vielzahl der heute verfügbaren Daten ohne statistische
Aufbereitung nicht in sinnvoll interpretierbare Informationen
verwandelt werden kann!
– Weil Sie täglich mit statistischen Aufbereitungen konfrontiert sind,
deren Qualität Sie als Akademiker zumindest rudimentär einschätzen
können sollten!
– Weil die statistische Grundausbildung die Präzision des
Schlussfolgerns und die Präzision der Sprache schärfen kann!
– Weil Sie mithilfe der Statistik spannende Sachverhalte erkunden
können und zwar faktenbasiert!
– Weil es (eben weil die obigen Gründe überzeugend sind) in Ihrer
Prüfungsordnung so vorgesehen ist!

8
Hintergrund und Lernziele III
• Statistische Datenanalyse ist nicht primär eine mathematische

Tätigkeit; sie beruht vielmehr sachlogische Verknüpfung von
Aussagen und Methoden, um gezielt die interessierende
Fragestellung zu beantworten. Sie ist nicht aus der Mathematik
hervorgegangen, sondern aus der Auseinandersetzung mit
praktischen Fragestellungen, für die dann mathematische
Operationen entwickelt wurden
• Der Modulteil b beschäftigt sich deshalb…
– …mit den Grundbegriffen der Statistik und Datenanalyse.
– …der deskriptiven Darstellung und Analyse einfacher Sachverhalte.
– …mit verschiedenen Verteilungs- und Dichtefunktionen.

9
Herausforderung
• Leider ist es aber so, dass Sie…

– …häufig Angst vor der Formalsprache der Mathematik haben.
– …erst viel zu spät anfangen, sich systematisch mit dem Stoff
auseinanderzusetzen.
– …die Nützlichkeit einer intensiven Auseinandersetzung zu gering
einschätzen.
• Angenommen Sie begehen die obigen „Fehler“, dann ist die Klausur
extrem schwierig!
• Also versuchen Sie angstfrei, unvoreingenommen, frühzeitig,

kontinuierlich und systematisch Statistik zu lernen. Es lohnt sich!

10
Inhalt – thematische Gliederung

• Organisation, Inhalt und Lernziele
• Self Assessment I
• Grundlagen:
Die Formalsprache der Mathematik / Einfache (aber wichtige) Rechenregeln / Modulare Arithmetik /
Grundlagen der Aussagenlogik / Grundlagen der Mengenlehre
• Folgen und Reihen
Folgen und Reihen / Finanzmathematik als Anwendung von Folgen und Reihen
• Self Assessment II
• Gleichungen, Funktionen, Differenzial- und Integralrechnung
Umgang mit Gleichungen und Ungleichungen / Funktionen und Ihre Darstellung / Differenzialrechnung /
Integralrechnung / Operationen mit ökonomischen Funktionen
• Self Assessment III
• Matrizen, Vektoren und lineare Gleichungssysteme
Matrizen und Vektoren / Grundlagen linearer Gleichungssysteme
• Kombinatorik & Wahrscheinlichkeitsrechnung:
Fakultäten und Binomialkoeffizienten / Fundamentalprinzip der Kombinatorik / Permutationen und
Kombinationen / Ereignisse, Ereignisraum und Ereignismenge / Das Rechnen mit Ereignissen / Klassische,
statistische und subjektive Wahrscheinlichkeiten / Wichtige Rechenregeln der
Wahrscheinlichkeitsrechnung / Bedingte und totale Wahrscheinlichkeiten und das Bayes-Theorem /
Probleme mit dem intuitiven Verständnis der Wahrscheinlichkeitsrechnung
• Self Assessment IV

11
Inhalt II – thematische Gliederung Modulteil b

• Grundbegriffe der Statistik und Datenanalyse
Was ist Statistik? / Statistische Einheiten (Merkmalsträger) und Grundgesamtheit / Merkmale,
Merkmalsausprägungen und statistische Variablen / Teilgesamtheiten und Stichproben(arten) /
Merkmalstypen, Skalen und Skalenniveaus / Arten der Datenerhebung, insb. Befragungen /
Konstrukte, Variablen, Daten und Datenmatrix / Längsschnitt-, Querschnitt- und Paneldaten
• Self Assessment V
• Deskriptive Statistik
Absolute, relative, kumulierte und klassierte Häufigkeiten / Balken-, Säulen- und
Tortendiagramme, Histogramme / Lagemaße (Modus, Median, Quartile und Quantile,
Mittelwerte) / Streuungsmaße (Spannweite, Quartilsabstände, Varianz und Standardabweichung,
Variationskoeffizient, Übersicht über Lage- und Streuungsmaße) / Boxplots / absolute und relative
Konzentration / Konzentration der ersten k Merkmalsträger / Herfindahl-Index / Lorenzkurven und
Gini-Koeffizient / Mehrdimensionale Häufigkeiten / Kreuztabellen, Scatterplots /
Randverteilungen / Kovarianz, Korrelation (Pearson und Rang) / Kurze Regressionseinführung und
Bestimmtheitsmaß R² / χ² / Phi-Koeffizient (nicht-metrische Daten)
• Self Assessment VI
• Verteilungs- und Dichtefunktionen
Systematik der Verteilungen / Gleich- oder Rechteckverteilung / (Bernoulli-Verteilung) /
Binomialverteilung/ (Hypergeometrische Verteilung) / Poisson-Verteilung/ (Exponentialverteilung)
/Standardnormalverteilung und Arbeiten mit Tabellen / Normalverteilung und Standardisieren /
Überprüfung der Normalverteilungsannahme / χ²-Verteilung / Student-t-Verteilung (für
Mittelwertunterschiedsschätzungen)

12
Verschiedene Inhalte
• Die Veranstaltung besteht aus unterschiedlichen Inhalten die mit

kleinen Symbolen in der unteren linken Ecke gekennzeichnet
werden.
L V Z P Ü E S
• Die Bedeutung der einzelnen Symbole entnehmen Sie bitte der

Legende auf der nächsten Folie.

13
Unterschiedliche Inhalte je Modul

L• Lernziele, Organisation und Inhalt
V• Klassische Vorlesung: Theorie, Theoreme und Hintergrund
Z• Nützlich zum Nachschlagen und Erinnern:

Zusammenfassungen, Formelsammlungen und Übersichten
P• Hinweise auf die Verwendung: Praxisbeispiele und

Anwendungsgebiete
Ü• Übungselemente und Experimente: Aufgaben zur

Auflockerung der Vorlesung
E• Exkurse zum Verständnis des Hintergrundes
• Vorführungen mit Statistik-Software und großen

S Datensätzen

14
SELF ASSESSMENT – VORLESUNGSBEGLEITETE

LERNERFOLGSKONTROLLE

15
Die Idee der „self assessments“ I
• In der Veranstaltung werden Ihnen regelmäßig kleine Abfragen (self

assessments) präsentiert. Mit ihrer Hilfe sollen Sie selbstständig
Ihren Wissenstand überprüfen und dadurch Hinweise auf etwaige
Defizite bekommen.
• Dieses erste self assessment dient zur Feststellung Ihrer
mathematischen Grundkenntnisse, deshalb können (und sollen) Sie
es auch unvorbereitet durchführen.
• Im Laufe der Veranstaltung werden wir weitere solche Abfragen
einbauen. Um diese erfolgreich zu absolvieren ist eine
kontinuierliche Auseinandersetzung mit dem Stoff notwendig.
• Die Abfragen werden nicht benotet, sondern nur von Ihnen
korrigiert. Nutzen Sie das als Chance ehrlich zu sich zu sein, und
Wissenslücken frühzeitig zu entdecken.
Ü Mathematische Grundlagen der

16
Die Idee der „self assessments“ II
• Bitte beachten Sie: Die self assessments sollen Ihnen keine

„Klausurfähigkeit“ attestieren sondern lediglich dazu dienen, Ihnen
zu vergegenwärtigen, welche Anteile des Stoffes Ihnen nach dem
Besuch der Veranstaltung(en) noch präsent sind.
• Eine systematische Klausurvorbereitung ist auch bei guten self
assessments unbedingt zu empfehlen.

17
Die Spielregeln der „self assessments“
• Sie bekommen gleich (für eine gewisse Zeit) einzelne Aufgaben

gezeigt, deren Lösung Sie bitte auf einem Blatt notieren.
• Zur Bestimmung der Lösung sollten Sie keinen Taschenrechner
benutzen (die Aufgaben sind so gestellt, dass das auch nicht nötig
ist). Sie sollen lediglich ein Notizblatt bereitlegen.
• Anschließend wird Ihnen die richtige Lösung gezeigt. Für jede
(exakt) richtige Antwort/Lösungsmöglichkeit geben Sie sich 2
Punkte. Wenn Sie meinen, nur marginal daneben zu liegen geben
Sie sich 1 Punkt. Wenn Sie die Lösung nicht bestimmen konnten,
geben Sie sich 0 Punkte.
• Die Auswertung am Ende verrät Ihnen Ihren Wissenstand.

18
SELF ASSESSMENT I (MATHEMATISCHE SCHULKENNTNISSE)

19
self assessment I (1)
• Errechnen Sie (ohne Taschenrechner):
43 = = 64 1 3 2
( + ⋅ )
3 7 3 = =1
13
82 + 17 = =9
21
( 2 ⋅ 4 + 3 ⋅ 2) / 7 + 8 =
4 mit ai = ai −1 + 2
= 10 ∑a
i =1
i =
und ao = 0
= 20
1 3 16
+ = =
3 7 21 log10 (1000) = =3

20
• Bestimmen Sie x (ohne Taschenrechner):
( x + 2) ⋅ 3 = 9 ⇒ x = =1
( x 2 + 1) ⋅ 3 = 30 ⇒ x = = ±3
( x + 1) 2 ⋅ 3 = 48 ⇒ x = = ±4 − 1 ⇒ x = −5 ∨ x = 3
3 1
( x + x + 1) ⋅ 3 = 9 ⇒ x =
2
= ± − ⇒ x = −2 ∨ x = 1
2 2

21
• Bitte leiten Sie f(x) nach x ab:
1 1
f ( x ) = x 2 − ⋅ x + 7 ⇒ f ′( x ) = f ′( x ) = 2 ⋅ x −
2 2
1 1
f ( x) = ⇒ f ′( x ) = f ′( x ) = −
x x2
1
f ( x ) = x ⇒ f ′( x ) = f ( x ) = x ⇒ f ′( x ) =
2⋅ x

22
• Bestimmen Sie:
 2
(3 4 ) ⋅   = = 18
 3
 1 0   34 65   34 65 
  ⋅   = =  
 0 1   54 76   54 76 
 2 1  − 2 2  − 3 2 
  ⋅   = =  
 − 1 3  1 − 2   5 − 8 

23
self assessment I - Auswertung
• Über 29 Punkte:
– gute mathematische Kenntnisse
– ausreichende mathematische (Vor)Kenntnisse.
– Bitte überprüfen Sie Ihre individuellen Schwachstellen und passen Sie
gut bei elementaren Rechenregeln auf.
• 19 Punkte oder weniger:

– keine ausreichenden mathematische (Vor)Kenntnisse.
– Sie müssen erheblich aufholen, da Sie sonst Probleme mit dem
Verständnis der Veranstaltung bekommen können.

24
DIE FORMALSPRACHE DER MATHEMATIK

25
Die Formalsprache der Mathematik – Allgemeines am Anfang
• Der fast wichtigste Punkt beim Erlernen mathematischer Inhalte ist,

dass Sie die Formalsprache der Mathematik beherrschen. Und das
ist wie beim erlernen jeder anderen Sprache: Nur wenn Sie sie
sprechen und nutzen, haben Sie eine Chance sie zu beherrschen.
• In der Mathematik hat sich diese Sprache lange historisch
entwickelt und es haben sich Konventionen herausgebildet (so wie
bei jeder Sprache typische genutzte Symbole, Wörter und
grammatikalische Regeln entwickeln). Diese Semantik und Syntax
wirkt auf den ersten Blick „kompliziert“, da sie sehr abstrakt
formuliert wird. Dies hat aber den Vorteil, dass mathematische
Strukturen sehr präzise und allgemeingültig sind.
• Hier werden die Grundstrukturen kurz wiederholt.
V Mathematische Grundlagen der

26
Die Formalsprache der Mathematik – Elemente I
• Einfache mathematische Aussagen (Schulmathematik) beruhen auf

Zahlen, Variablen und Operatoren, die in Termen ausgedrückt
werden.
• Häufig werden dann Relationen genutzt, die mathematische

Objekte (wie Terme) verknüpfen. Diese Relationen werden als
Funktionen bezeichnet. Die bekanntesten Zuordnungen sind
Gleichungen und Ungleichungen.

27
Die Formalsprache der Mathematik – Elemente II
• Die Menge aller Zahlen wird nach den Zahlenbereichen in

verschiedene Zahlenmengen unterteilt:
– IN - Menge der natürlichen Zahlen ohne Null, die sich aus dem
Abzählen von Objekten ergibt.
1,2,3,…
– IN0 - Menge der natürlichen Zahlen mit Null.
0,1,2,3,…
– ℤ - Menge der ganzen Zahlen (entspricht IN0 zuzüglich negativer
Vorzeichen)
…,-2,-1,0,1,2,…
– ℚ - Menge der rationalen Zahlen, die sich als Bruch ganzer Zahlen,
d.h. in der Form z = p/q mit p und q aus ℤ darstellen lassen.
5 = 5/1, -2/3, 1/100

28
Die Formalsprache der Mathematik – Elemente III

– Die Menge der rationalen Zahlen kann entweder als Bruch (ganzer
Zahlen) oder als Dezimalzahl dargestellt werden. Dabei bricht die
Darstellung als Dezimalzahl entweder nach endlich vielen Stellen ab
oder ist periodisch (d.h. eine Folge von Ziffern wiederholt sich immer
wieder). Diese Wiederholung wird durch einen darüberliegenden
Strich visualisiert.
1/5 = 0.20 -1/11 = -0.09090909… = − 0.09
– IR - Menge der reellen Zahlen. Nicht jede Dezimalzahl kann als Bruch
ganzer Zahlen darstellen lässt (solch Zahlen werden als irrational
bezeichnet). Beispiele sind die Euler‘sche Zahl e (2.71828…) oder die
„Kreiszahl“ π (3.1415926…). Hier lässt sich keine endliche Periode in
der Dezimaldarstellung finden. Veranschaulicht als Zahlenstrahl, liegen
reelle Zahlen so dicht gepackt, dass keine Lücken mehr bestehen.

29
Die Formalsprache der Mathematik – Relationen I
• Für die Aussage „a gehört zur Menge der natürlich Zahlen“ wird
verkürzt geschrieben: a Є IN. Genau wie das Symbol Є gibt es eine
Reihe von Kurzschreibweisen, die wir Stück für Stück einführen.
Hier die ersten Kurzschreibweisen:
Kürzel Bedeutung Kürzel Bedeutung
Ist (kein) Element der Menge ist echte Teilmenge von
∈ bzw. ∉ gehört (nicht) zu
⊂ bzw. ⊃
⊆ bzw. ⊇ ist unechte Teilmenge von
für alle
∀ für beliebige ⊄ Ist keine echte Teilmenge von
es existiert ⊄ Ist keine unechte Teilmenge von
∃ es gibt ein
Menge für die gilt
aus…folgt {... | ...}
⇒ (die Umkehrung gilt nicht [eindeutig])
für die/das gilt
genau dann, wenn :
⇔ (und nur dann!)
(innerhalb eines Terms)
V Z Mathematische Grundlagen der

30
Die Formalsprache der Mathematik – Elemente IV
• Für die Zahlenmengen gilt:

IN ⊂ IN0 ⊂ ℤ ⊂ ℚ ⊂ IR
„Die Menge der natürlichen Zahlen gehört zu (ist echte Teilmenge) der
Menge der natürlichen Zahlen mit Null, die Menge der natürlichen
Zahlen mit Null gehört zu der Menge der ganzen Zahlen, usw.“
• Wir werden im Folgenden überwiegend mit natürlichen Zahlen und
reellen Zahlen operieren.

31
Die Formalsprache der Mathematik – Elemente V

• Neben Zahlen werden als wesentliche Elemente noch Variablen
benötigt. Variablen sind Platzhalter für zunächst unbekannte
Zahlen, die verändert werden können (Veränderliche).
Üblicherweise werden sie durch lateinische oder griechische
Buchstaben ausgedrückt.
• Werte, die durch Platzhalter ausgedrückt werden und die nicht
veränderlich sind, werden als Konstanten bezeichnet.
• Wichtig: die Bezeichnung der Variablen und Konstanten ist im
Grunde egal. Häufig folgt sie aber typischen Konventionen. Jeder
Autor und jeder Ihrer Lehrenden hat dabei eigene Konventionen im
Kopf! Deshalb sollten sie sich die Struktur eines mathematischen
Ausdrucks merken und nicht verwirrt sein, wenn andere
Variablenbezeichnungen genutzt werden. Das geht aber nur, wenn
Sie die mathematische Aussage verstanden haben!

32
Die Formalsprache der Mathematik – Beispiele

• Beispiel: Der Satz des Phytogoras besagt, dass in allen (ebenen) recht-
winkligen Dreiecken die Summe der Flächeninhalte der Kathetenquadrate
gleich dem Flächeninhalt des Hypotenusenquadrates ist.
• Sie kennen dieselbe Aussage als: a2 + b2 = c2 mit
– a als Seitenlänge der einen Kathete
– b als Seitenlänge der anderen Kathete und
– c als Seitenlänge der Hypotenuse
• Dies ist eine Konvention, Sie können dies aber auch (um)formulieren als:
α 2 + δ 2 = ω 2 oder
Ω 2 + z 2 = λ2 oder
Klaus 2 + Igel 2 = c 2
• Es kommt eben darauf an, wie sie die Variablen bezeichnen!

33
• Mit den bisher eingefügten Zeichen können wir schon erste

mathematische Aussagen machen, hier ein paar (einfache)
Beispiele:
{b | b = 2n} n ∈ IN lies: b für die gilt, dass b das doppelte einer natürliche Zahl ist.
Also die Menge der geraden Zahlen {2,4,6,8,…}
lies: Es existiert (mindestens) ein g in der Menge der reellen Zahlen

∃g ∈ IR : g = g 6
für das gilt, dass g seiner sechsten Potenz entspricht (g = 1)
x lies: wenn x eine rationale Zahl ist,

x ∈ ℚ ⇒ ∈ℚ so ist auch x/5 eine rationale Zahl
5
lies: für alle x und a aus der Menge der
x+a = x−a ⇔a =0 ∀x, a ∈ IR reellen Zahlen, ist die Gleichung x+a = x-a genau
dann richtig, wenn a = 0 gilt

34
Die Formalsprache der Mathematik – Operatoren I
• Viele mathematische Operatoren sind Ihnen aus der

Schulmathematik bekannt. Sie werden hier deshalb nur
wiedergegeben.

+
plus als Additionszeichen
positiv als Vorzeichen ∑ Summenzeichen bzw.
Summenoperator
-
minus als Subtraktionszeichen
Negativ als Vorzeichen ∏ Produktzeichen bzw.
Produktoperator
mal als Multiplikationszeichen
⋅ bzw. × (Konvention: wenn Verwechslung ausge- Um größere Summen oder Produkt
schlossen sind, wird es weggelassen)
übersichtlich darzustellen, werden die beiden
dividiert durch als Divisionszeichen
: bzw. oben dargestellten Zeichen genutzt. Dabei wird
ein Index (oder mehrere Indices) genutzt,
der (oder die) bestimmt, welche Elemente
addiert bzw. multipliziert werden sollen.

35
• Seien ai = a1, a2, a3, … an eine Folge von Zahlen

4 6
∑a
i =1
i = a1 + a2 + a3 + a4 ∏a
i =3
i = a3 ⋅ a4 ⋅ a5 ⋅ a6
• Auch Mehrfachverknüpfungen sind möglich: Seien aij = a11, a12, …,

a1m, a21, …, a22, …, a1m,…, anm eine (durch i und j Є IN indizierte) Folge
von Zahlen
3 2
∑∑ a
i =1 j =1
ij = a11 + a12 + a21 + a22 + a31 + a32

36
Die Formalsprache der Mathematik – Operatoren II
• Viele mathematische Operatoren sind Ihnen aus der

Schulmathematik bekannt. Sie werden hier deshalb nur
wiedergegeben.

a hoch m / m-te Potenz von a Dekadischer Logarithmus
am (a wird als Basis und m als Exponent
lg (zur Basis 10)
bezeichnet)
Klammern zur Festlegung der
m-te Wurzel aus a (); []; {}
m
a Operationsreihenfolge
(a wird als Radikant und m als
Wurzelexponent bezeichnet) (Absolut)Betrag von x
|x|
Quadratwurzel aus a
a (Wurzelexponent ist 2)
Logarithmus zur Basis a

loga
Natürlicher Logarithmus
ln (zur Basis e)

37
Die Formalsprache der Mathematik – Relationen II
• Schließlich gibt es eine Reihe von Relationen (Beziehungszeichen),

mit denen mathematische Elemente verbunden werden.
Kürzel Bedeutung
ist gleich
=
ist etwa / annährend gleich
≈
ist ungleich
≠
:= bzw. =: ist definitorisch gleich

(wird als gleich erklärt)
> bzw. <

ist größer bzw. kleiner (gleich)
≥ bzw. ≤

38
Die Formalsprache der Mathematik – Allgemeines am Ende
• Sie können nun die einzelnen Elemente (Zahlen und Variablen)

mittels der Operatoren und Relationen zu mathematischen
Aussagen (Termen) verknüpfen. Damit haben sie die Vokabeln oder
die Semantik der Formalsprache der Mathematik kurz wiederholt.
• Es gibt noch dutzende weitere Elemente, Operatoren und
Relationen, die zum Teil nur in gewissen Teilgebieten der
Mathematik vorkommen. Einige weitere werden Sie im Laufe der
Veranstaltung kennenlernen.
• Jetzt ist es erst mal wichtig die grundlegenden Rechenregeln zu
wiederholen, also die Grammatik bzw. Syntax der mathematischen
Formalsprache.

39
EINFACHE (ABER WICHTIGE) RECHENREGELN

40
Elementare Rechenregeln – Allgemeines
• Die nachfolgenden Rechenregeln sollten Ihnen alle aus der

Schulmathematik bekannt sein. Deshalb werden Sie einfach
tabellarisch aufgeführt. Diese Übersicht soll Ihnen erleichtern,
etwaige Defizite gezielt zu erkennen und diese zu beheben.
• In alle nachfolgenden Tabellen werden als Variablen a, b, c und d
genutzt. Dies sind die Platzhalter für alle reellen Zahlen.
a, b, c, d ∈ IR
• Seien ai = a1, a2, a3, … an und bi = b1, b2, b3, … bn jeweils eine Folge
von (reellen) Zahlen.

41
Elementare Rechenregeln – Addition und Subtraktion

Regel Beispiel
a+b=b+a 5+2=2+5=7
Kommutativgesetz der Addition
(a + b) + c = a + (b + c) (5 + 2) + 7 = 5 + (2 + 7) = 14
Assoziativgesetz der Addition
a + (-b) = a - b 5 + (-2) = 5 - 2 = 3
a+0=0+a=a 5+0=0+5=5
a1 = 2; a2 = 5; a3 = 7; b1 = 1; b2 = 4; b3 = 6;
3 3 3
n n n
∑ (a + b ) = ∑ a + ∑ b =25
∑ (ai + bi ) = ∑ ai + ∑ bi
i =1 i =1 i =1
i =1
i i
i =1
i
i =1
( 2 + 1) + (5 + 4) + (7 + 6) =
i
( 2 + 5 + 7) + (1 + 4 + 6) = 25

42
Elementare Rechenregeln – Produkte

Regel Beispiel
a·b=b·a 5 · 2 = 2 · 5 = 10
Kommutativgesetz der Multiplikation
(a · b) · c = a · (b · c) (5 · 2) · 7 = 5 · (2 · 7) = 70
Assoziativgesetz der Multiplikation
- (-a) = a - (-5) = 5
a · (-b) = -a · b 5 · (-2) = -2 · 5 = -10
(-a) · (-b) = a · b (-5) · (-2) = 5 · 2 = 10
„minus mal minus gibt plus“
(a + b) · c = a · c + b · c (5 + 2) · 7 = 5 · 7 + 2 · 7 = 49
Distributivgesetz
n n
a1 = 2; a2 = 5; a3 = 7; c = 5
∑c ⋅ a
i =1
i = c ⋅ ∑ ai
i =1
3
∑c ⋅ a i
3
= c ⋅ ∑ ai
i =1 i =1
(5 ⋅ 2) + (5 ⋅ 5) + (5 ⋅ 7) = 5 ⋅ ( 2 + 5 + 7) = 70

43
Elementare Rechenregeln – Quotienten I

Regel Beispiel
a 1 5 1
= a⋅ = 5 ⋅ = 5 ⋅ 0.5 = 2.5
b b 2 2
a⋅c a 5 ⋅ 7 35 5
= = =
b⋅c b 2 ⋅ 7 14 2
Erweitern und kürzen von Brüchen
a c a ⋅d + c⋅b 5 7 5 ⋅ 3 + 7 ⋅ 2 29
+ = + = =
b d b⋅d 2 3 2⋅3 6
a c a ⋅d − c⋅b 5 7 5⋅3 − 7 ⋅ 2 1
− = − = =
b d b⋅d 2 3 2⋅3 6

44

Regel Beispiel
a c a⋅c 5 7 5 ⋅ 7 35
⋅ = ⋅ = =
b d b⋅d 2 3 2⋅3 6
a 5
a c b a d a⋅d 5 7 2 5 3 5 ⋅ 3 15
: = = ⋅ = : = = ⋅ = =
b d c b c b⋅c 2 3 7 2 7 2 ⋅ 7 14
d 3

45

Regel Beispiel
a c a⋅c 5 7 5 ⋅ 7 35
⋅ = ⋅ = =
b d b⋅d 2 3 2⋅3 6
a 5
a c b a d a⋅d 5 7 2 5 3 5 ⋅ 3 15
: = = ⋅ = : = = ⋅ = =
b d c b c b⋅c 2 3 7 2 7 2 ⋅ 7 14
d 3

46
Elementare Rechenregeln – Reihenfolge der Operationen I
• Grundsätzlich (wenn nichts anderes angegeben ist) gilt:

Punktrechnung (also Multiplikation und Division) geht vor
Strichrechnung (also Addition und Subtraktion). Abweichende
Reihenfolgen werden durch Klammern (eindeutig) ausgedrückt.
• Beispiel 1: Der gesprochene Satz „eins plus eins mal zwei“ kann
zwei Bedeutungen haben:
– Entweder 1 + 1 · 2, dann ist das Ergebnis 3
– oder (1 + 1) · 2, dann ist das Ergebnis 4

47
Elementare Rechenregeln – Reihenfolge der Operationen II
• Beispiel 2: Machen Sie lieber eine Klammer zu viel als zu wenig;

denn manchmal sind Reihenfolgen sonst unklar. Insbesondere,
wenn nicht klar mit Bruchstrichen gearbeitet wird.
– 8 / 2 · 5 ist entweder 0.8 wenn 8/(2 · 5) gemeint ist
– oder 20 wenn (8/2) · 5 gemeint ist
• Durch das Setzen von Klammern (also die Festlegung der
Reihenfolgen von Operationen), ändern sich Ergebnisse erheblich.
Ein beliebter (und leicht vermeidbarer) Klausurfehler!

48
Elementare Rechenregeln – Potenzrechnung I
• Potenzrechnung geht von der Form ab aus. Dabei wird a als Basis
und b als Potenz bezeichnet.
• Sofern b eine natürliche Zahl ist, ist die Interpretation einfach; erst
wenn b eine nicht natürliche Zahl, ist die Interpretation nicht mehr
intuitiv. a ist dabei immer eine reelle Zahl.
• Nachfolgend gehen wir davon aus, dass b eine natürliche oder eine
ganze Zahl ist. Alle Regeln sind aber auch für reelle Exponenten
gültig.

49
Elementare Rechenregeln – Potenzrechnung II
• Potenzen beschreiben die b-malige Multiplikation der Basis mit sich

selbst.
– Beispiel: a · a · a · a · a = a5 wenn a = 5, dann ist 55 = 3125
• Dabei muss darauf geachtet werden, ob ein negatives Vorzeichen
zur Basis gehört oder nicht!
– Beispiel: - a4 = 625 aber (-a)4 = -625
• Potenzen werden häufig genutzt, um sehr große Zahlen
darzustellen
– statt 1 125 899 906 842 624 zu nutzen, wird 250 genutzt
– oder statt 1 000 000 000 zu nutzen, ist es einfacher 109 zu nutzen
• Im Folgenden sind a und b reelle Zahlen und n und m natürliche
Zahlen.

50
Elementare Rechenregeln – Potenzrechnung III

Regel Beispiel
a1 = a ---
a m ⋅ a n = a m+n 25 ⋅ 23 = 25+3 = 28 = 256

am m −n 55 5−3
= a = 5 = 5=2
25
an 53
( a ⋅ b) n = a n ⋅ b n ( 2 ⋅ 5)3 = 23 ⋅ 53 = 8 ⋅ 125 = 1000
a n an 5 3 53 125
( ) = n ,b ≠ 0 ( ) = 3= = 15,625
b b 2 2 8
( a m ) n = a n⋅m ( 22 )3 = 22⋅3 = 26 = 64
Achtung für die Addition und Subtraktion gibt es keine vergleichbaren Regeln,
m+n
d.h. insbesondere a + a ≠ a
m n

51
Elementare Rechenregeln – Potenzrechnung IV
• Wenn n und m ganze Zahlen sind und a ≠ 0 ist wird definiert:

−m 1
a = m und a0 = 1
a
• Alle gezeigten Rechenregeln behalten Ihre Gültigkeit.
• Wenn der Exponent auch eine rationale Zahl sein kann, wird
definiert (für b > 0):
1
a = bn ⇔ b = a = n an
• b ist also diejenige positive reelle Zahl, deren n-te Potenz gerade a
(den Radikanten) ergibt.

52
Elementare Rechenregeln – Logarithmusrechnung I
• Wenn die Unbekannte x einer Gleichung im Exponenten auftritt, so

wird dies Exponentialgleichung genannt. Wenn a und b reelle
Zahlen sind und a > 0, b > 0 und a ≠ 1 gilt, so wird die reelle Lösung
x der Gleichung als Logarithmus von b zur Basis a genannt.
a x = b ⇔ x = loga (b)
• Besonders wichtig in der praktischen Anwendung sind die

Logarithmen zur Basis 10 (dekadischer Logarithmus) und der die
Logarithmen zur Basis der Euler‘schen Zahl e (natürlicher
Logarithmus)
• mit a, b, c und d als reelle Zahlen und a > 0, b > 0, c > 0 und a ≠ 1
gelten die Rechenregeln auf der nächsten Folie.

53
Elementare Rechenregeln – Logarithmusrechnung II

Regel Beispiel
log a (a b ) = b ⋅ log a (a ) = b ---
a log a (b ) = b
log2 (16 ⋅ 8) = log2 (16) + log2 (8) = 4 + 3 = 7
loga (b ⋅ c ) = loga (b) + loga (c )
log2 (16 ⋅ 8) = log2 (128) = 7
b 16
) = log2 (16) − log2 (8) = 4 − 3 = 2
loga ( ) = loga (b) − loga (c ) log2 (
8
c 16
log2 ( ) = log2 ( 2) = 1
8
loga (b ) = d ⋅ loga (b)

d log2 (168 ) = 8 ⋅ log2 (16) = 8 ⋅ 4 = 32
log2 ( 4294967296) = 32

54
MODULARE ARITHMETIK

55
Einige neue Rechenregeln – Modulare Arithmetik I
• Das Rechnen mit natürlichen und ganzen Zahlen (elementare

Arithmetik) hat eine große Bedeutung in der Mathematik. Sofern es
die Multiplikation und Addition betrifft, ist dies auch einfach
erlernbar.
• Im Folgenden betrachten wir genauer die Rechenregeln für die
Division ganzer (und damit auch natürlicher) Zahlen und die
Konsequenzen, die sich daraus ergeben. Es gibt bei der Division
zwei Möglichkeiten:
– 1. Die Division geht „glatt“ auf, es gibt kein Rest.
– 2. Es ergibt sich ein Rest, der nicht „glatt“ teilbar ist.
• Dieser Gedankengang wird nun in der Formalsprache der
Mathematik formuliert und weiterentwickelt.

56
Einige neue Rechenregeln – Modulare Arithmetik II
• Erste Definition (Teilbarkeit): Seien a und b ∈ ℤ. b teilt a, wenn es

eine Zahl x gibt, für die gilt a = x∙b und x ∈ ℤ.
• Zweite Definition (kongruent modulo): Zwei Zahlen a und b ∈ ℤ
heißen kongruent modulo m (mit m ∈ ℤ), geschrieben
a ≡ b (mod m),
wenn a – b durch m (m ∈ IN) teilbar ist. Diese Definition definiert
eine sog. Äquivalenzklasse, die unendlich viele Elemente (Zahlen a
und b) enthält. Als Schreibweise wird folgendes Zeichen neu
eingeführt: ≡

57
Einige neue Rechenregeln – Modulare Arithmetik III
• Dritte Definition (Modul): Mit Zm sei die Menge der ganzen Zahlen
von 0 bis m-1 definiert: Zm := {0,1,…,m-1}. Der ganzzahlige Rest r bei
der Division von a durch m:
r = a mod m,
ist diejenige Zahl r ∈ Zm, für die a – r ein Vielfaches von m ist. Die
Zahl m heißt Modul. Diese Definition definiert keine Klasse (s.v.)
sondern die Zahl r, deshalb wird das Gleichheitszeichen
beibehalten.

58
Einige neue Rechenregeln – Modulare Arithmetik IV
• Beispiel zur Visualisierung: Entlang des Zahlenstrahls, werden

Stücke der Länge m durch die modulo-Operation herausgeschnitten
und neu sortiert (hier mod 4):
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7
-8 -7 -6 -5
-4 -3 -2 -1
• Alle vertikal untereinanderliegenden 0 1 2 3
Elemente sind kongruent modulo 4. 4 5 6 7
Im Beispiel: -8 ≡ -4 ≡ 0 ≡ 4 (mod 4).

59
Einige neue Rechenregeln – Modulare Arithmetik V
• Folgerungen und Rechenregeln I: Seien a und b ∈ ℤ und m ∈ IN.

– es gilt: r = a mod m => a ≡ r (mod m)
Achtung: Die Umkehrung gilt nur wenn r ∈ Zm
– es gilt: a ≡ b (mod m) <=> b ≡ a (mod m)
• Seien weiter c und d ∈ ℤ.

– es gilt: Wenn a ≡ b (mod m) und c ≡ d (mod m), dann gilt:
a + c ≡ b + d (mod m) und
a ∙ c ≡ b ∙ d (mod m)
Achtung: Kürzen gilt nicht, d.h. aus a ∙ c ≡ b ∙ c (mod m) folgt NICHT
a ≡ b (mod m)!

60
Einige neue Rechenregeln – Modulare Arithmetik VI
• Was ist 97 + 34 (mod 11)?
• Es gilt 97 = 88 + 9 = 9 (mod 11) und

34 = 33 + 1 = 1 (mod 11), daraus folgt:
88 + 33 = 9 + 1 ≡ 10 (mod 11)
• Was ist 46 x 34 (mod 9)?
• Es gilt 46 = 45 + 1 = 1 (mod 9) und

34 = 27 + 7 = 7 (mod 9)
46 x 34 = 1 x 7 ≡ 1 (mod 9)

61
Einige neue Rechenregeln – Modulare Arithmetik VII
• Folgerungen und Rechenregeln II: Sei a und c ∈ ℤ und m und k ∈ IN.

– es gilt:
ak-1 ≡ 1 mod m => ak ≡ a (mod m)
In Worten: Wenn es einen Exponenten k-1 gibt, der auf a angewendet die
Äquivalenzklasse 1 ergibt (mod m), dann reproduziert der Exponent k
wieder a.
– es gilt:
(a + b) ≡ [a (mod m) + b (mod m)] (mod m)
(a ∙ b) ≡ [a (mod m) ∙ b (mod m)] (mod m)
ak ≡ [a (mod m)]k (mod m)
Die mod m Operatoren am Ende müssen zusätzlich beachtet werden.

62
Einige neue Rechenregeln – Modulare Arithmetik VIII
• Was ist 1026 (mod 11)?
• Es gilt 1026 = 2 x 3 x 3 x 3 x 19 = (mod 11)

2 = 0 + 2 (mod 11)
27 = 22 + 5 (mod 11)
19 = 11 + 8 (mod 11)
1026 = 2 x 27 x 19 (mod 11)≡ 2 x 5 x 8 = 80 (mod 11)
80 = 77 + 3 (mod 11) = 3

63
Einige neue Rechenregeln – Modulare Arithmetik IX
• Kartentrick:
Sie bitten Ihre Zuschauer sich eine Karte aus 20 Karten zu merken.
Sie legen die Karten in 5 Stapeln (á 4 Karten) aus und bitten die
Zuschauer, den Stapel zu benennen, in denen die „gemerkte“ Karte
ist. Danach wiederholen Sie das mit 4 Stapeln (á 5 Karten).
Anschließend können Sie die Karte direkt benennen. Wie?
1. Stapel | 2. Stapel | 3. Stapel | 4. Stapel
1. Stapel | 2. Stapel | 3. Stapel | 4. Stapel | 5. Stapel
1 2 3 4
1 2 3 4 5
5 6 7 8
6 7 8 9 10
9 10 11 12
11 12 13 14 15
13 14 15 16
16 17 18 19 20
17 18 19 20
1. Runde (5 Stapel)
2. Runde (4 Stapel)
V Ü Mathematische Grundlagen der

64
Einige neue Rechenregeln – Modulare Arithmetik X
• Chinesischer Restsatz (CRT): Seien m1, …, mn ∈ IN und haben als

größten gemeinsamen Teiler die 1 (teilerfremd). Dann hat das
System
x = a1 mod m1
…
x = an mod mn
eine eindeutige Lösung x ∈ Zm.

m ist hier bei das Produkt der einzelnen Module m1, …, mn.

65
Einige neue Rechenregeln – Modulare Arithmetik XI
• Definition: Wenn es zu einer Zahl e ∈ Zm eine weitere Zahl i ∈ Zm

gibt, so dass gilt:
e ∙ i = 1 (mod m)
so heißt i multiplikative Inverse zu e mod m.
• Satz: Für e ≠ 0 und e ∈ Zm gilt: Es gibt eine multiplikative Inverse zu
e mod m genau dann, wenn e und m als größten gemeinsamen
Teiler 1 haben (teilerfremd sind).
=> Soll ein Zm gefunden werden, in dem es zu jedem Element
eine multiplikative Inverse gibt, so sollte m eine Primzahl sein.

66
Einige neue Rechenregeln – Modulare Arithmetik XII
• Für kleine m kann die Inverse aus der Multiplikationstabelle

abgelesen werden. Hier am Beispiel m = 5:
x 0 1 2 3 4 • Für größere m gibt es den
0 0 0 0 0 0 sogenannten Euklidischen
1 0 1 2 3 4 Algorithmus (hier nicht behandelt).
2 0 2 4 1 3
3 0 3 1 4 2
4 0 4 3 2 1

67
Einige neue Rechenregeln – Modulare Arithmetik XIII
• Bestimmen Sie die multiplikative Inverse für e = 5 bei m = 7. Stellen

Sie hierzu zunächst die Multiplikationstabelle auf.
x 0 1 2 3 4 5 6
0 0 0 0 0 0 0 0
1 0 1 2 3 4 5 6
2 0 2 4 6 1 3 5
3 0 3 6 2 5 1 4
4 0 4 1 5 2 6 3
5 0 5 3 1 6 4 2
6 0 6 5 4 3 2 1
• Die multiplikative Inverse ist: 3.

68
Einige neue Rechenregeln – Modulare Arithmetik XIV
• Lösung des CRT:
1. Berechne Mk = m/mk (das Produkt aller Module außer mk)

2. Berechne zu jedem Mk die multiplikative Inverse Ik ∈ Zmk
3. Dann ist:
x = (a1 ∙ M1 ∙ I1 + … + an ∙ Mn ∙ IN ) (mod m)
die Lösung des Systems.

69
Einige neue Rechenregeln – Modulare Arithmetik XV
• Beispiel: Im 1. Jahrhundert v. Chr. ein chinesische Mathematiker

(Sun-Tsu) folgendes Rätsel: „Ich kenne eine Zahl. Wenn man sie
durch 3 dividiert, bleibt der Rest 2, wenn man sie durch 5 dividiert,
bleibt der Rest 3, wenn man sie durch 7 dividiert, bleibt der Rest 2.
Wie lautet diese Zahl?“

70
Einige neue Rechenregeln – Modulare Arithmetik XVI
• Lösung: Suche die kleinste natürliche Zahl mit

x = 2 (mod 3)
k 1 2 3
x = 3 (mod 5) ak 2 3 2
x = 2 (mod 7) mk 3 5 7
Mk 35 (5∙7) 21 (3∙7) 15 (3∙5)
Ik 2 1 1
• Es ergibt sich:
x = (a1 ∙ M1 ∙ I1 + a2 ∙ M2 ∙ I2 + a3 ∙ M3 ∙ I3 ) (mod m) mit m = m1∙m2∙m3
x = (2 ∙ 35 ∙ 2 + 3 ∙ 21 ∙ 1 + 2 ∙ 15 ∙ 1) (mod 105)
= 233 (mod 105) = 23

71
Einige neue Rechenregeln – Modulare Arithmetik XVII
• Kartentrick:
Sie bitten Ihre Zuschauer sich eine Karte aus 20 Karten zu merken. Sie
legen die Karten in 5 Stapeln (á 4 Karten) aus und bitten die Zuschauer, den Stapel
zu benennen, in denen die „gemerkte“ Karte ist. Danach wiederholen Sie das mit
4 Stapeln (á 5 Karten). Anschließend können Sie die Karte direkt benennen. Mit
Rückgriff auf die Ausführungen zur modularen Arithmetik: Wie funktioniert der
Kartentrick? Angenommen, der Zuschauer zeigt zunächst auf Stapel 2 und dann
auf Stapel 4.
1. Stapel | 2. Stapel | 3. Stapel | 4. Stapel
1. Stapel | 2. Stapel | 3. Stapel | 4. Stapel | 5. Stapel
1 2 3 4
1 2 3 4 5
5 6 7 8
6 7 8 9 10
9 10 11 12
11 12 13 14 15
13 14 15 16
16 17 18 19 20
17 18 19 20
1. Runde (5 Stapel)
2. Runde (4 Stapel)

72
Einige neue Rechenregeln – Modulare Arithmetik XVIII
• Lösung I:
Sei mit Si die Spalte bezeichnet, auf die ein Zuschauer in der i-ten
Runde zeigt. Wenn Sie die Struktur genau betrachten, dann
erkennen Sie, dass mit den Karten modulare Äquivalenzklassen
gebildet werden. Deswegen wird die Wahl der letzten Spalte jeweils
als Null nummeriert.
S=1 S=2 S=3 S = 0 (1)
S=1 S=2 S=3 S=4 S = 0 (!)
1 2 3 4
1 2 3 4 5
5 6 7 8
6 7 8 9 10
9 10 11 12
11 12 13 14 15
13 14 15 16
16 17 18 19 20
17 18 19 20

73
Einige neue Rechenregeln – Modulare Arithmetik XIX
• Lösung II: Es ist allgemein folgendes System zu lösen

x = S1 (mod 5)
k 1 2
x = S2 (mod 4) a S S2
k 1
mk 5 4
Mk 4 5
Ik 4 5
• Es ergibt sich:
x = (S1 ∙ 16 + S2 ∙ 25) (mod 20) hier also
x = (2 ∙ 16 + 0 ∙ 25) (mod 20)
= 32 (mod 20) = 12

74
GRUNDLAGEN DER AUSSAGELOGIK

75
Aussagenlogik und Mengenlehre
• Mathematische Operationen sind häufig nicht mehr als

sachlogische Verknüpfung von Aussagen und Methoden, um gezielt
die interessierende Fragestellung zu beantworten.
• Neben den reinen Rechenoperationen und der Formulierung
mathematischer Sachverhalte, sind also die Auseinandersetzung
mit den Grundlagen der Aussagenlogik und Mengenlehre
elementar.
• Wir werden auch hier die elementaren Grundlagen kurz
wiederholen.

76
Aussagenlogik - Allgemeines
• Die Logik ist die Lehre des folgerichtigen Denkens.

• In der (zweiwertigen) Aussagelogik geht es darum, Aussagen ein
Wahrheitswert zuzuweisen.
– Eine Aussage ist entweder wahr (true, 1) oder
– falsch (false, 0)
• Neue Aussagen werden dabei aus elementaren Aussagen mittels
logischer Verknüpfung zusammengesetzt.
• Diese basalen logischen Verknüpfungen sind die Grundlage vieler
Anwendungen in der Statistik und in fast jeder
Programmiersprache.
• In der Logik wird der Wahrheitswert einer neuen Aussage aus den
Wahrheitswerten der elementaren Aussagen hergeleitet.

77
Aussagenlogik – Aussagen
• Aussagen sind im Grunde Sätze in einer gewöhnlichen Sprache, die

entweder wahr oder falsch sind. Deshalb kann kein Satz gleichzeitig
wahr und falsch sein (Prinzip des ausgeschlossenen Widerspruchs).
Er kann auch nichts anderes, insbesondere nicht „zum Teil“ richtig
sein (Prinzip vom ausgeschlossenen Dritten).
• Aussagen sind zum Beispiel
– Statistik ist ein Teilgebiet der Mathematik (wahr)
– Pferde sind Pflanzen (falsch)
• Im weiteren werden wir Aussagen einfach mit großen lateinische
Buchstaben bezeichnen (A, B, C,…) und deren Wahrheitswert mit
v(A).
• In der Aussagelogik gibt es eine Reihe typischer
Aussageverbindungen, die eine eigene Notation besitzen.

78
Aussagenlogik – Aussagenverknüpfungen I
• Negation (Symbol „¬“, lies: nicht):

– Dies ist eine einstellige Operation (da sie nur auf eine Aussage
angewendet wird).
– ¬A ist genau dann wahr, wenn A falsch ist und ist genau dann wahr,
wenn A falsch ist.
– Die Negation einer Negation ergibt wieder die Ursprüngliche Aussage
– ¬(¬A ) = A
• Konjunktion (Symbol „ʌ“, lies: und):
– A ʌ B ist genau dann wahr, wenn A und B wahr sind; entsprechend ist
A ʌ B genau dann falsch wenn mindestens einer der Aussagen A oder B
falsch ist.

79
Aussagenlogik – Aussagenverknüpfungen II
• Disjunktion (Symbol „v“, lies: oder):

– A v B ist genau dann wahr, wenn mindestens einer der beiden
Aussagen A und B wahr ist; nur wenn beide Aussagen A und B falsch
sind, ist A v B falsch.
– Achtung: Es gibt auch ein „exklusives oder“, welches in der i.d.R. mit
der Formulierung „entweder…oder…“ gebraucht wird. Hierbei ist die
Aussage nur dann war, wenn einer der beiden Grundaussagen wahr
und die andere falsch ist. Häufig wird „oder“ umgangssprachlich in
dieser Form gebraucht. Hierfür wird das Symbol „ ∨ “ genutzt.

80
Aussagenlogik – Aussagenverknüpfungen III
• Implikation (Symbol „=>“, lies: „wenn…dann…“):

– A => B ist genau dann wahr, wenn aus einer richtigen Prämisse (A) eine
richtige Schlussfolgerung (Konklusion) gezogen wird. Dies ist nur dann
nicht der Fall, wenn A wahr und B falsch ist.
– Dies kann auch so formulieren werden, dass A eine hinreichende
Bedingung für die Konklusion B ist. Wohingegen B nur eine
notwendige Bedingung für A ist.
• Äquivalenz (Symbol „<=>“, lies: „…genau dann, wenn…“):
– A <=> B ist genau dann wahr, wenn beide Aussagen denselben
Wahrheitswert haben.
– Dies kann auch so formulieren werden, dass A eine hinreichende und
notwendige Bedingung für die Konklusion B ist – und umgekehrt.

81
Aussagenlogik – Wahrheitswerttafeln
• Häufig werden aussagelogische Sachverhalte in sogenannten

Wahrheitswerttafeln gegenübergestellt. Dabei werden die
verschiedenen Kombinationen von wahr und falsch bei
unterschiedlichen Operationen verdeutlicht. Hier die
Wahrheitswerttafel allen obigen Aussageverknüpfungen.
A B ¬A A∧ B A∨ B A ∨ B A⇒ B A⇔ B
w w f w w f w w
w f f f w w f f
f w w f w w w f
f f w f f f w w

82
Aussagenlogik - Beispiel
• Aus den Aussagen:

– A = „Das monatliche Durchschnittseinkommen E liegt in Deutschland
(D) über 2250 €“
– B = „Das monatliche Durchschnittseinkommen E liegt in den USA
(umgerechnet) über 2250 €
• lassen sich die nachfolgenden Aussagen ableiten:
– ¬A = „E beträgt in D höchstens 2250 €“
– A ʌ B = „E beträgt in D und den USA mehr als 2250 €“
– A v B = „E liegt in D oder in den USA über 2250 €“
– A => B = „Wenn E in D über 2250 € liegt, so liegt er auch in den USA
über 2250 €.
– A <=> B = „E liegt in Deutschland genau dann über 2250 €, wenn es
auch in den USA über 2250 € liegt.

83
Aussagenlogik und „Normalsprache“
• Häufig gerät die Aussagenlogik in Konflikt mit der Normalsprache,

da diese nicht rein logisch, sondern ausgehend von Konventionen
und Bedeutung der Wörter ausgeht.
• Beispiel 1:
– die Aussage A = „Tiere haben keine Stacheln“ sei wahr
– die Aussage B = „Igel sind Tiere“ sei wahr
– dann ist auch die Aussage „Igel haben keine Stacheln“ wahr
• Beispiel 2:
– Wenn „Nichts besser ist als Pizza“ und
– „Alles besser ist als Nichts“, dann ist
– „Alles besser als Pizza“

84
GRUNDLAGEN DER MENGENLEHRE

85
Mengenlehre – Allgemeines und Darstellung I
• Für die Anwendung in der Wahrscheinlichkeitsrechnung und

Kombinatorik, ist die sichere Beherrschung der grundlegenden
Mengenlehre unerlässlich.
• Der Begriff der Menge beschreibt eine wohldefinierte
Zusammenfassung von bestimmten unterscheidbaren Objekten.
• Mengen werden typischerweise mit lateinischen oder griechischen
Großbuchstaben (A, B, …, Ω, …) kenntlich gemacht. Elemente mit
kleinen Buchstaben (a, b,…,ω).
• Die Elemente von Mengen werden typischerweise in
„geschweiften“ Klammern {…} beschrieben.
• Mengen werden häufig durch grafische Darstellung von Flächen
(Venn-Diagramme) oder durch Aufzählung verdeutlicht.

86
Mengenlehre – Allgemeines und Darstellung II
• Die Menge, die keine Elemente enthält heißt leere Menge. Sie wird
mit {} oder mit Ø gekennzeichnet.
• Einige wesentlichen Operatoren, die die Zuordnung von Elementen
zu Mengen oder Beziehungen zwischen Mengen beschreiben,
wurden bereits eingeführt.
Ist (kein) Element der Menge ist echte Teilmenge von
∈ bzw. ∉ gehört (nicht) zu
⊂ bzw. ⊃
⊆ bzw. ⊇ ist unechte Teilmenge von
für alle
∀ für beliebige ⊄ Ist keine echte Teilmenge von
es existiert ⊄ Ist keine unechte Teilmenge von
∃ es gibt ein
Menge für die gilt
{... | ...}

87
Mengenlehre – Teilmengen am Beispiel
Echte Teilmenge: Unechte Teilmenge

Sei A = {a,b,c,d} die Obermenge, Sei A = {a,b,c,d} die Obermenge,
so sind z.B. so ist (nur)
B = {a,c} oder C = {b,c,d} B = {a,b,c,d}
echte Teilmengen von A. unechte Teilmengen von A.
B⊂ A C⊂A B⊆ A
D = {a,e} E = {a,b} ist keine unechte

ist keine Teilmenge von A Teilmenge von A. E ist aber echte
Teilmenge von A
D⊄ A
E ⊄A E⊂A

88
Mengenlehre – Durchschnitt und Vereinigung von Mengen
• Der Durchschnitt zweier Mengen A und B enthält diejenigen

Elemente, die sowohl in A als auch in B enthalten sind (analog zur
logischen Konjunktion).
A ∩ B = {x | x ∈ A ∧ x ∈ B} A B
• Die Vereinigung zweier Mengen A und B enhält diejenigen

Elemente, die in A oder B enthalten sind (analog zur logischen
Disjunktion).
A ∪ B = {x | x ∈ A ∨ x ∈ B}
A B

89
Mengenlehre – Differenz und Komplement
• Die Differenz zweier Mengen A und B enthält alle diejenigen

Elemente von A, die nicht in B enthalten sind.
A \ B = {x | x ∈ A ∧ x ∉ B}
A B
• Als Komplementärmenge der Teilmenge A bezüglich Ω wird die

Differenzmenge Ω\A bezeichnet
A = {x ∈ Ω | x ∉ A}
A
Ω

90
Mengenlehre – disjunkte Mengen
• Enthält der Durchschnitt zweier Mengen A und B keine Elemente,

so heißen die Mengen disjunkt.
A∩ B = ∅
A B

91
FOLGEN UND REIHEN

92
Folgen I
• Eine Folge ist eine Abbildung, die jeder natürlichen Zahl (oder jeder
Teilmenge von natürlichen Zahlen) eine reelle Zahl a zuordnet. Die
Zahl an heißt dabei n-tes Glied der Folge, die Zahl n ist der
(Zähl)Index, d.h. sie gibt an, um welches Glied der Folge es sich
handelt.
a:N → R
mit
a1 , a2 , a3 ,..., an
• Eine Folge deren Elemente alle dieselben sind wird als konstante
Folge bezeichnet. Eine (konstante) Folge, deren Elemente nur aus
Nullen besteht, wird Nullfolge genannt.

93
Folgen II
• Bei der Bildung einer Folge kann sowohl bei a1 als auch bei a0 mit
dem Zählen begonnen werden. Bei a0 wird typischerweise
begonnen, wenn es sich bei der Folge um Wachstumsvorgänge
handelt, um auszudrücken, dass noch nichts gewachsen ist.

94
Folgen III
• Eine Folge heißt beschränkt, falls es eine positive reelle Zahl C gibt,
für die gilt, dass der Absolutbetrag aller Glieder der Folgen kleiner
als diese Zahl ist.
ai ≤ C ∀i
• Ferner heißt eine Folge…

– …monoton fallend, falls ai ≥ ai+1…
– …monoton wachsend, falls ai ≤ ai+1…
– …streng monoton fallend, falls ai > ai+1…
– …streng monoton wachsend, falls ai < ai+1…
…für alle i = 1,…,n gilt.

95
Folgen IV
• Eine Folge heißt endlich, falls es eine endliche (wenn auch sehr
große) Zahl von Gliedern gibt und unendlich, wenn gilt
n→∞
• Die Vorschrift zur Bildung einer Folge wird Bildungsgesetz genannt.
Dabei werden zwei elementare Arten Bildungsgesetze anzugeben
unterschieden:
– die Rekursion: Dabei werden ein oder mehrere Anfangsglieder (i.d.R.
a0 oder a1) genannt und eine Vorschrift, wie sich ein Folgeglied ai aus
mindestens einem seiner Vorgängern ai-1 bis a0 berechnet. Um das i-te
Folgeglied zu bestimmen, müssen alle vorigen Werte bekannt sein.
– die Funktion: Bei vielen (aber längst nicht allen) ist es möglich, die
Vorschrift zur Bildung des i-ten Folgegliedes direkt als Funktion (von i)
anzugeben. Nun braucht man nicht alle Folgeglieder berechnen, um
das i-te Gleid zu bestimmen.

96
Folgen V
• Beispiele:
Die Folge der geraden Zahlen: 2, 4, 6, …
– …kann rekursiv als ai = 2 + ai-1 mit a0 = 0 geschrieben werden…
– …oder mittels der Funktion f(i) = 2 · i
Die Folge: 1, 2, 4, 8, 16,…
– …kann rekursiv als ai = 2 · ai-1 mit a1 = 1 geschrieben werden…
– …oder mittels der Funktion f(i) = i2
Die Folge der ungeraden Zahlen: 1, 3, 5, 7, 9,…
– …kann rekursiv als ai = 2 + ai-1 mit a1 = 1 geschrieben werden…
– …oder mittels der Funktion f(i) = 2i - 1

97
Folgen VI
• Diese einfachen Beispiele dürfen nicht darüber hinwegtäuschen,

dass die Bestimmung von Funktionen bei einer gegebenen Folge
oder die Bestimmung einer Rekursion bei einer gegebenen
Funktion z.T. sehr schwierig sein kann.
Die (Fibonacci-)Folge: 1, 1, 2, 3 , 5, 8, 13,…

– …kann rekursiv sehr einfach als ai = ai-1 + ai-2 mit a1 = und a0 = 1
geschrieben werden.
1  1 + 5   1 − 5  
i i
– …oder mittels der Funktion f (i ) = 5 ⋅  2  −  2  

   

98
arithmetische Folgen
• Eine Folge, bei der die Differenz d zweier aufeinanderfolgender

Glieder ai und ai-1 jeweils gleich ist, heißt arithmetische Folge. Es
muss gelten:
ai = a1 + (i − 1) ⋅ d bzw. ai = a0 + i ⋅ d
je nach dem ob ab dem 1. Glied oder dem 0. Glied begonnen wird.
• Ferner gilt für arithmetische Folgen, dass jedes Glied dem
arithmetischen Mittel der unmittelbaren Nachbarn ist:
ai =
(ai +1 + ai −1 )
2
• Beispiel:
– 1, 2, 3, …
– 3, 6, 9, …

99
Reihen und arithmetische Reihen I
• Die Summe sn der ersten n Gliedern (Partialsumme) einer

(beliebigen) Folge ergibt eine neue Zahlenfolge, die als Reihe
bezeichnet wird.
n
sn = ∑ ai
i =1
• Reihen sind im Grund nur eine (besondere) Form rekursiver

Bildungsgesetze.
• Die Reihe einer arithmetischen Folge wird als arithmetische Reihe
bezeichnet.
n
sn = a1 + a2 + ... + an = ∑ [a1 + (i − 1) ⋅ d ]
i =1
bzw.
n
sn = a0 + a1 + ... + an = ∑ [a0 + i ⋅ d ]
i =1

100
Reihen und arithmetische Reihen II
• Bei (endlichen) arithmetischen Reihen gilt (der Gauß‘sche Trick):
⋅ (a1 + an )
n
sn =
2
sn = a1 + (a1 + d ) + (a1 + 2 ⋅ d ) + ... + (a1 + (n − 2 ) ⋅ d ) + (a1 + (n − 1) ⋅ d )
s n = n ⋅ a1 + d ⋅ (1 + 2 + ... + (n − 1))
s n = n ⋅ a1 + d ⋅ (( n − 1) + ( n − 2) + ... + 2 + 1)
2 s n = 2na1 + d ⋅ (1 + 2 + ... + ( n − 1) + ( n − 1) + ( n − 2) + ... + 1)
2 s n = 2na1 + d ⋅ ( n + n + n... + n )
s n = n ⋅ a1 + d ⋅
(n − 1) ⋅ n
2
s n = ⋅ (2a1 + d ⋅ (n − 1)) = ⋅ (a1 + a1 + (n − 1) ⋅ d ) = ⋅ (a1 + an )
n n n
2 2 2

101
geometrische Folgen
• Eine Zahlenfolge, bei der der Quotient p zweier beliebiger

benachbarter Glieder konstant ist, heißt geometrische Folge. Es gilt:
an = a1 ⋅ q n −1 bzw. an = a0 ⋅ q n
• Beispiele:
– 2, 4, 8, 16, 32,…
– 1, 3, 9, 27, 81,…
– 1024, 512, 256, 128,…
• Es gilt, das jedes Glied das geometrische Mittel seiner

unmittelbaren Nachbarn ist:
ai = ai +1 ⋅ ai −1

102
geometrische Reihen
• Die Reihe einer geometrischen Folge heißt geometrische Reihe. Es

gilt:
qn − 1
sn =
a1 ⋅ für q ≠ 1
q −1
1 − qn
⇔ sn = a1 ⋅ für q ≠ 1
1− q
sn = a1 + a1 ⋅ q + a1 ⋅ q 2 + ... + a1 ⋅ q (n −1)
q ⋅ sn = a1 ⋅ q + a1 ⋅ q 2 + ... + a1 ⋅ q (n −1) + a1 ⋅ q n
q ⋅ sn − sn = a1 ⋅ q n − a1
(
sn ⋅ (q − 1) = a1 ⋅ q n − 1)

103
Übung zu Folgen und Reihen I
• Addieren Sie alle natürlichen Zahlen von 5 bis 5005.

n 5000
sn = ⋅ ( a1 + an ) ⇒ ⋅ (5 + 5005) = 12525000
2 2
• Angenommen, von nun an, haben alle Ihre Nachfahren Ihren

Namen. Und weiter sei angenommen, dass Sie und jeder Ihrer
Nachfahren 2 eigene Nachfahren hat. Ihre Generation sei mit a1
bezeichnet.
– Errechnen Sie a13
an =a1 ⋅ q n −1 ⇒ a13 =
1 ⋅ 213−1 =4096

104
Übung zu Folgen und Reihen II
• Angenommen, von nun an, haben alle Ihre Nachfahren Ihren

Namen. Und weiter sei angenommen, dass Sie und jeder Ihrer
Nachfahren 2 eigene Nachfahren hat. Ihre Generation sei mit a1
bezeichnet.
– Wie viele Menschen mit Ihrem Namen gibt es insgesamt von jetzt bis
einschließlich der dreizehnten Generation?
qn − 1 213 − 1
sn = a1 ⋅ ⇒ 1⋅ = 8191
q −1 2 −1

105
unendliche geometrische Folgen I
• Bisher wurden endliche geometrische Folgen betrachtet.

• Ist eine geometrische Folge unendlich, so gilt…
– Falls q > 1: die geometrische Reihe ist nicht beschränkt.
– Falls 0 < q < 1: die Folgeglieder der Reihe werden immer kleiner. In
diesem Fall sind die Folgeglieder beschränkt. Die Partialsumme
konvergiert gegen eine Grenzwert.
– Falls -1 < q < 0: die Folgeglieder der Reihe wechseln alternierend ihr
Vorzeichen und werden immer kleiner. In diesem Fall sind die
Folgeglieder beschränkt. Die Partialsumme konvergiert gegen eine
Grenzwert.
– Falls q < -1: die Folgeglieder der Reihe wechseln alternierend ihr
Vorzeichen und werden immer größer, die geometrische Reihe ist
nicht beschränkt.

106
unendliche geometrische Reihen II
• Als Beispiel die geometrischen Folgen mit a1 = 1 und…
q = 1.1 q = 0.9
q = -0.9 q = -1.1

107
ZUFALLSZAHLEN ERZEUGEN

108
Zufallszahlen erzeugen I
• Eine interessante Anwendung von Folgen ist die Frage, wie ein
Computer (also eine deterministische Maschine) Zufallszahlen
erzeugen kann.
• Wieso ist diese Frage spannend? Weil bei der Programmierung von
Zufallsgeneratoren eine Regel zu Grunde gelegt werden muss und
weil das Vorhandensein einer Regel zunächst einmal gegen die
Definition von Zufallsexperimenten spricht (da diese ja
unvorhersehbare Ausgänge haben soll).
• Echte Zufallszahlen sind aufwendig zu bestimmen (z.B. Zerfall
radioaktiver Isotope).
• Deshalb wird von Pseudozufallszahlen gesprochen. Es wird eine
Folge von Zahlen gesucht, die möglichst unabhängig voneinander
ist.
V P Mathematische Grundlagen der

109
Zufallszahlen erzeugen II
• Dazu wird eine rekursives Bildungsgesetz gesucht, dass aus dem i-

ten Glied einer Folge, ein möglichst unabhängiges nächstes Glied zu
machen.
• Eine (aber längst nicht die einzige) Möglichkeit ist die sogenannte
Modulo-Funktion (kurz: mod), die Sie schon kennengelernt haben:
Seien a und b natürliche Zahlen, so ist a mod(b) diejenige Zahl, die
sich als ganzzahliger „Rest“ ergibt, wenn a durch b dividiert. Es gilt
logischerweise immer a mod(b) ≤ b-1.
– Beispiele:
26 mod(5) = 1 (da 26 – (5 · 5) = 1)
8888 mod(8) = 0
8888 mod(9) = 5

110
Zufallszahlen erzeugen III
• Eine Folge von Zahlen, die rekursiv mittels der einfachen Modulo-
Funktion ai = ai-1 mod(b) gebildet wird, wird (unabhängig vom
Startwert) ab dem 2. Glied immer zu einer konstanten Folge mit
genau einem Werten < b.
Beispiele:
– Sei ai = ai-1 mod(9) mit a1 = 8888
a2 = 8888 mod(9) = 5 a3 = 5 mod(9) = 5 usw.
– Sei ai = ai-1 mod(13) mit a1 = 1542
a2 = 1542 mod(13) = 12 a3 = 12 mod(13) = 12 usw.
• Zur Generierung von Pseudozufallszahlen, sollten die Werte also

noch verändert werden.

111
Zufallszahlen erzeugen IV
• Also werden die Werte linear transformiert, d.h. es wird jedes
Folgeglied vor Anwendung der Modulo-Funktion mit der einer
(natürlichen) Zahl c multipliziert und eine weitere natürlich Zahl d
addiert (gemischt linearer Kongruenzgenerator). Das
Bildungsgesetz lautet also:
• ai = (c · ai-1 + d) mod(b)
• Es gilt, dass jeder gemischt linearer Kongruenzgenerator zyklisch ist,
sich also die Folgeglieder irgendwann wiederholen. Die Anzahl der
Elemente eines Zyklus wird Periodenlänge genannt.
Beispiel:
– Sei ai = (7 · ai-1 +5) mod(3) mit a1 = 11
a2 = 82 mod(3) = 1 a3 = 12 mod(3) = 0
a4 = 5 mod(3) = 2 a5 = 19 mod(3) = 1
a6 = 12 mod(3) = 0 usw.

112
Zufallszahlen erzeugen V
• Zur Generierung von Pseudozufallszahlen, könnten die Werte von c
und d so groß gewählt werden, dass die Periodenlänge des Zyklus
sehr lang ist.
Beispiel: Sei a1 = 12345, b = 12345, c = 54321 und d = 36912, dann ergibt
sich mit ai = (c · ai-1 + d) mod(b):
a2 = 12222 a3 = 9384
a4 = 10746 a5 = 18
a6 = 2400 …
• Da dann die Folgeglieder sehr groß sind, werden Sie in der Regel
auf den Wertebereiche zwischen 0 und 1 normiert (also durch b-1
geteilt).
• Um die steigende „Unvorhersehbarkeit“ zu visualisieren, sind
nachfolgend die ersten hundert (normierten) Folgeglieder für
unterschiedliche Parameterkonstellationen aufgezeigt.

113
Zufallszahlen erzeugen VI
a1: 11 1 a1: 43
1
b: 3 b: 44
.8
c: 7 c: 7
.8
d: 5 d: 5
.6
var3
var6
.6
.4
.4
.2
.2
0
0 20 40 60 80 100 0 20 40 60 80 100
a(i) a(i)
a1: 164 a1: 12345

1
1
b: 165 b: 12345
c: 37 c: 54321
.8
.8
d: 369 d: 36912
.6
.6
var8
var2
.4
.4
.2
.2
0
0 20 40 60 80 100 0 20 40 60 80 100
a(i) a(i)

114
Zufallszahlen erzeugen VI
a1: 12345
1
b: 12345
c: 54321
d: 36912
.8
.6
var9
.4
.2
0
0 500 1000 1500 2000 2500

a(i)

115
FINANZMATHEMATIK ALS ANWENDUNG VON FOLGEN UND REIHEN

116
Finanzmathematik als Anwendung von Folgen und Reihen
• Eine sehr wichtige praktische Anwendung für den Umgang mit

Folgen und Reihen ist die Finanzmathematik.
• Die Finanzmathematik ist das Teilgebiet der Wirtschafts-
mathematik, dass sich mit Finanzierungs- und
Investitionsentscheidungen befasst.
• Dabei geht es im Grunde um „das Rechnen mit Einnahmen und
Ausgaben von Geld“ und die Vergabe, Verzinsung und Rückzahlung
von Krediten. Selbstverständlich spielt dabei der Zins eine wichtige
Rolle bei allen Überlegungen.
• Im Rahmen dieser Veranstaltung werden nur grundlegende (aber
wichtige) Ideen der Finanzmathematik vorgestellt. Die dienen nur
zur Veranschaulichung der Anwendung von Folgen und Reihen.

117
Zins- und Zinseszinsrechnung I
• Zinsen sind der Preis, den ein Schuldner dem Gläubiger für die
befristete Überlassung von Kapital bezahlen muss. Der Betrag der
Zinsen wird aus dem Zinssatz, der Höhe des überlassenen Kapitals
und der Dauer der Überlassung berechnet.
• Es wird zwischen jährlicher und unterjähriger Verzinsung
unterschieden. Vorliegend wird nur die jährliche Verzinsung
behandelt.
• Ferner wird nur auf nachschüssiger Verzinsung eingegangen, d.h.
die Zinszahlungen werden am Ende eines Jahres fällig.

118
Zins- und Zinseszinsrechnung II
Ein Frage, die Ihnen vielleicht komisch vorkommt:

• Wieso verlangt der Gläubiger einen Preis für die Überlassung von
Kapital? Wieso gibt es überhaupt Zinsen?
• Typische ökonomische Antworten auf diese Frage sind:
– Preis für das eingegangene Risiko
– Opportunitätskosten
– Gegenwartspräferenz
V E Mathematische Grundlagen der

119
Zins- und Zinseszinsrechnung III
• Sei das Anfangskapital mit K0, das Endkapital mit Kn und die Laufzeit
(in ganzen Jahren) mit n bezeichnet. Ferner sei der nominale
Zinssatz mit i und die Zinszahlung mit Z bezeichnet.
• Es wird ferner angenommen, dass während der mehrjährigen
Laufzeit einer Kapitalanlage Zinszahlungen jeweils am Ende eines
Jahres (nachschüssig) erfolgen.
• Diese Zinsen werden sofort wieder angelegt und zum Kapital dazu
addiert, so dass ab dem Zeitpunkt der Wiederanlage auch die
Zinsen mitverzinst werden.
• Um den Endbetrag zu errechnen, wird das letzte Glied der
geometrische Folge mit dem konstanten Quotienten (1 + i)
errechnet. Das Anfangsglied ist K1 = K0 · (1 + i).

120
Zins- und Zinseszinsrechnung IV
• Für alle geometrischen Folgen gilt:

an = a1 ⋅ q n −1 bzw. an = a0 ⋅ q n
• Das Endkapital berechnet sich also zu:

K n = K1 ⋅ (1 + i ) n −1 bzw. K n = K 0 ⋅ (1 + i ) n
• Umformen ergibt für das Anfangskapital:
Kn
K0 =
(1 + i ) n
Kn
• bzw. für den Zinssatz: i = n −1
K0

121
Übung zur Zinseszinsrechnung I
• Angenommen, Sie legen für 4 Jahre 1000€ zu 5% p.a. bei

nachschüssiger jährlicher Verzinsung an. Wie hoch ist das Kapital
am Ende der Laufzeit?
K n = K 0 ⋅ (1 + i ) n ⇒ 1000 ⋅ 1.054 ≈ 1215.5

• Angenommen, Sie wollen nach 6 Jahren bei nachschüssiger
jährlicher Verzinsung und einem Zinssatz von 3% p.a. über 11940€
verfügen, wie viel Anfangskapital benötigen Sie?
Kn 11940
K0 = ⇒ ≈ 9999.56
(1 + i ) n
1.036

122
Übung zur Zinseszinsrechnung II
• Angenommen, Sie wollen in 20 Jahren aus einer Erbschaft von

500.000 € ein Endkapital von 1.000.000 € erhalten. Welchen
Zinssatz müssen Sie erhalten?
Kn 1000000
i=n −1 ⇒ 20 − 1 ≈ 0.035264
K0 500000

123
Barwert- bzw. Kapitalwertberechnung I

• Eine populäre Anwendung für geometrische Reihen ist die
sogenannte Kapitalwertberechnung.
• Dabei wird eine Folge von Ein- oder Auszahlungen auf den
Zeitpunkt t = 0 durch „abzinsen“ verdichtet. Auf diese Weise
können unterschiedliche Ein- und Auszahlungsstrukturen verglichen
werden.
• Um diese Berechnungen anzustellen sind eine Reihe von Annahmen
nötig. Die wichtigste ist die Annahme vollkommener Kapitalmärkte,
die für die Identität von Soll- und Habenzinsen sorgt.
• Ferner wird (zur Vereinfachung) zunächst unterstellt, die
Zahlungsreihen seien bekannt und sicher. Außerdem werden (zur
Vereinfachung) i.d.R. Normalinvestitionen unterstellt, d.h. das
(innerhalb der zeitlichen Struktur) zunächst die Auszahlungen und
dann die Einzahlungen erfolgen (nur ein Vorzeichenwechsel)

124
Barwert- bzw. Kapitalwertberechnung II
• Ein Beispiel: Sie überlegen in Ihrer dreijährigen Studienzeit, in die

Kaffeeversorgung Ihrer Kommilitonen zu investieren.
t=0 t=1 t=2 t=3
- 100.000 + 20.000 + 40.000 + 55.500

125
Barwert- bzw. Kapitalwertberechnung IV
• Verdichtung einer gegebenen Zahlungsreihe aus Einzahlungen und

Auszahlungen.
• „klassische“ Interpretation: Gegengeschäfte, die alle
zahlungswirksamen Konsequenzen auf t = 0 verdichten. Zunächst
rein endfällige Darlehen ohne Zinszahlungen während der Laufzeit.
• Bezeichne A die Anfangsinvestitionen / Auszahlung, E die
Einzahlungen, i den Kalkulationszinssatz, t den Zeitindex und T den
Betrachtungszeitraum, so ergibt sich der Kapitalwert KW (für
Normalinvestitionen) allgemein als:
T
KW( t =0 ) = − At =0 + ∑ Et ⋅ (1 + i ) −t
t =1

126
Barwert- bzw. Kapitalwertberechnung V
• Im Beispiel:
t=0 t=1 t=2 t=3
konstanter Kalkulationszinssatz i = 5%
Realinvestition - 100 + 20 + 40 + 55.5
endfälliges Darlehen t = 3 47.94 - 55.5

= 55.5 / 1.053
endfälliges Darlehen t = 2 36.28 - 40

= 40 / 1.052
endfälliges Darlehen t = 1 19.05 - 20

= 20 / 1.051
Kapitalwert 3.27

127
Barwert- bzw. Kapitalwertberechnung VI
• Wird die Annahme der Normalinvestition aufgegeben (werden also

Ein- und Auszahlungen zu jedem beliebigen Zeitpunkt zugelassen so
ergibt sich:
T
KW( t =0 ) = ∑ ( Et − At ) ⋅ (1 + i ) −t
t =0
• Wird nun die Differenz Et – At als Periodenüberschuss Pt bezeichnet

so ergibt sich:
T
KW( t =0 ) = ∑ Pt ⋅ (1 + i ) −t
t =0
• In dieser Form ist klar ersichtlich, dass es sich um eine geometrische
Folge handelt, da die Summe aus den Folgegliedern einer
geometrischen Reihe gebildet werden.

128
Übung zur Kapitalwertberechnung I
• Der Eisdielen-Besitzer Stefan Waffel aus Mönchengladbach überlegt

sich aufgrund der weiterhin sehr warmen Temperaturen einen
Eiswagen, mit dem er durch die Vororte von Mönchengladbach
fahren und dort Eis verkaufen kann, anzuschaffen. Dieser würde in
der Anschaffung 37.000 € kosten. Er erwartet im ersten Jahr
Einnahmen in Höhe von 37.000 € und Ausgaben in Höhe von
18.000 €. Im zweiten Jahr erwartet er einen Gewinn in Höhe von
23.000 €. Zur Finanzierung des Eiswagens müsste er einen Kredit
bei einer Bank zu 8% Zinsen aufnehmen.

129
Übung zur Kapitalwertberechnung II

i = 8% t=0 t=1 t=2
Ausgaben (At) 37 18
Einnahmen (Et) 0 37
Periodenüberschuss
Pt= Et – At -37 19 23
„Zahlungsreihe“
19 23
KW = −37 + + 2
= −37 + 17,59 + 19,71 ≈ 0,31
1,08 1,08

130
SELF ASSESSMENT II (FOLGEN UND REIHEN)

131
Zur Erinnerung: Die Spielregeln der „self assessments“


132
self assessment II (1)
• Setzen sie die Folge jeweils um ein Glied fort und geben Sie das
rekursive Bildungsgesetz an:
ai = ai −1 + 2
1,3,5,7,... 9
a1 = 1
ai = ai −1 / 2
128,64,32,16,... 8
a1 = 128

133
• Wie lautet das 5. Glied der geometrischen Folge ai = ai-1 · 2 mit

a1 = 3?
48
• Angenommen, Sie legen für 2 Jahre 100€ zu 10% p.a. bei

nachschüssiger jährlicher Verzinsung an. Wie hoch ist das Kapital
am Ende der Laufzeit?
121

134
• Berechnen Sie den Kapitalwert der Zahlungsreihe: -100, 110, 121

bei einem Kalkulationszinssatz von 10%.
100

135
self assessment II - Auswertung
– gute Kenntnisse
• Über 8 Punkte:
– ausreichende Kenntnisse.

– keine ausreichenden Kenntnisse.

136
UMGANG MIT GLEICHUNGEN UND UNGLEICHUNGEN

137
Gleichungen und Ungleichungen – Allgemeines I
• Eine Gleichung T1 = T2 drückt die Gleichheit (also dieselben Werte)

zweier Terme T1 und T2 aus.
• Eine Ungleichung T1 < T2, T1 > T2, T1 ≤ T2 oder T1 ≥ T2 drückt die
wertemäßige Relation zweier Terme T1 und T2 aus.
• Wie bereits eingeführt, können Terme dabei jeweils aus mehren
Elementen (Zahlen, Variablen und Konstanten) und Operationen
bestehen.
• Als Lösung einer Gleichung bzw. Ungleichung werden diejenigen
Zahlen bezeichnet, die anstelle der Variablen in den Termen T1 und
T2 eingesetzt werden können, so dass die Gleichung bzw.
Ungleichung erfüllt ist.

138
Gleichungen und Ungleichungen – Allgemeines II

• Anhand der Menge der Lösungen können drei wesentliche Typen
von Gleichungen und Ungleichungen unterschieden werden:
– Gleichungen und Ungleichungen, die für alle Werte der Variablen
richtig sind, werden als Tautologien (oder Identitäten) bezeichnet.
– Gleichungen und Ungleichungen, die für keinen Wert der Variablen
richtig sind, werden als Widerspruch bezeichnet.
– Gleichungen und Ungleichungen, die für einen Teil der Werte der
Variablen richtig seien können, werden als Bedingungs(un)gleichung
bezeichnet. Wenn nur ein einziger Wert die Gleichung oder
Ungleichung erfüllen kann, so heißt die Lösung eindeutig.
• Das Auflösen einer Gleichung oder Ungleichung beschreibt die
Bestimmung der Lösungsmenge dieser Gleichung oder
Ungleichung, d.h. es werden alle diejenigen Zahlen gesucht, die
anstelle der Variablen eingesetzt werden können, und wahre
Aussagen liefern.

139
Gleichungen und Ungleichungen – Allgemeines III
• Beim Auflösen kommt es darauf an, weder einen Teil der Lösung zu
vergessen, noch zusätzliche (aber nicht wahre) Lösungen
hinzuzufügen.
• Das wesentliche Mittel hierzu sind die Äquivalenzumformungen.
• Äquivalenzumformungen überführen eine gegebene Gleichung in
eine (zu dieser Gleichung äquivalente) Gleichung, die dieselbe
Lösungsmenge hat.
• Seien T1, T2 und T3 beliebige Terme, a eine positive reelle Zahl und n
eine natürliche Zahl, so ergeben sich die nachfolgend dargestellten
Möglichkeiten der Äquivalenzumformung bei Gleichungen!

140
Äquivalenzumformungen bei Gleichungen I

Äquivalenzumformung Beispiel
T1 = T2 ⇔ T1 ± T3 = T2 ± T3 x −9 = 5 ⇔ x −9−5 = 5−5
Addition/Subtraktion eines Terms Auf beiden Seiten 5 subtrahieren
T1 = T2 ⇔ T1 ⋅ T3 = T2 ⋅ T3 , T3 ≠ 0 x + 1 = 2 ⇔ ( x + 1) ⋅ 3 = 2 ⋅ 3
Multiplikation mit einem Term ≠ 0 Auf beiden Seiten 3 multiplizieren
T1 = T2 ⇔
T1 T2
= , T3 ≠ 0 8 ⋅ x 16
8 ⋅ x = 16 ⇔ =
T3 T3 4 4
Division durch einen Term ≠ 0 Auf beiden Seiten durch 4 dividiert
T1 = T2 ⇔ a T1 = a T2 , a ≠ 1 log10 ( x ) = 2 ⇔ 10log10 ( x ) = 102
Exponentialbildung (also ist x = 100)

141
Äquivalenzumformungen bei Gleichungen II

Äquivalenzumformung Beispiel
T1 = T2 ⇔ loga (T1 ) = loga (T2 ) 4 x = 64 ⇔ log4 ( 4 x ) = log4 (64)

Logarithmieren Beiden Seiten zur Basis 4 logarithmiert
2 2
T1 = T2 ⇔ T = T2 , n ungerade
n n
1 x = 9 ⇔ ( x ) = 93
3 3 3
Potenzieren
T1 = T2 ⇔ n T1 = n T2 , n ungerade x 3 = 27 ⇔ 3 x 3 = 3 27
Wurzelziehen Auf beiden Seiten die 3. Wurzel gezogen

142
Gleichungen und Ungleichungen – Allgemeines III
• Seien T1, T2 und T3 beliebige Terme, so ergeben sich die nachfolgend

dargestellten (einfachen) Möglichkeiten der Äquivalenzumformung
bei Ungleichungen!
• Dabei gibt es Besonderheiten, die anstelle eines Beispiels angeführt
sind.
• Zur Vereinfachung der Notation werden nur > Relationen
betrachtet. Alle nachfolgenden Aussagen gelten auch für <, ≥ und ≤
Relationen.

143
Einfache Äquivalenzumformungen bei Ungleichungen

Äquivalenzumformung Besonderheit
T1 > T2 ⇔ T1 ± T3 > T2 ± T3
---
Addition/Subtraktion eines Terms
T1 > T2 ⇔ T1 ⋅ T3 > T2 ⋅ T3 , T3 > 0 Bei der Multiplikation mit einem
negativen Term wird das Vorzeichen
T1 > T2 ⇔ T1 ⋅ T3 < T2 ⋅ T3 , T3 < 0
umgedreht.
Multiplikation mit einem Term ≠ 0
T1 T2
T1 > T2 ⇔ > , T3 > 0
T3 T3
Bei der Division mit einem negativen
T T
T1 > T2 ⇔ 1 < 2 , T3 < 0 Term wird das Vorzeichen umgedreht.
T3 T3
Division mit einem Term ≠ 0

144
Termumformungen bei Ungleichungen
• Viele weitere Termumformungen (Logarithmieren, Expontential-

bildung, Potenzieren, Wurzelziehen) sind auch bei Ungleichungen
zulässig. Auch, wenn Sie auf nur einer Seite der Gleichung ange-
wendet werden. Es muss aber sorgfältig auf den Definitionsbereich
geachtet werden was häufig zu Fallunterscheidungen führt.
• Beispiel:
– Der Ausdruck x 2 > 2 wird fälschlicherweise so aufgefasst, dass er
nur für positive reelle Zahlen gilt. Er wird verkürzt zu x > 2.
– Damit wird die Lösungsmenge verkleinert um alle Zahlen aus dem
Intervall ( −∞,−2). Es handelt sich um eine Scheinlösung!
– Würde beachtet, dass gilt a >| a | so lautet die korrekte Verkürzung:
x > 2 ∀x > 2
x2 > 2 ⇔
x < − 2 ∀x < − 2

145
Typen von Gleichungen
• Gleichungen haben sehr unterschiedliche Formen. Diese können

nicht alle an dieser Stelle wiederholt werden (sofern sie nicht aus
der Schulmathematik bekannt sind werden sie z.B. in der
Wirtschaftsmathematik wiederholt). Genannt werden sollen hier
nur:
– Lineare Gleichungen: a ⋅ x + b = y
– Quadratische Gleichungen: a ⋅ x + b ⋅ x + c = y
2
n
– Polynome n-ten Grades: p1 ⋅ x + p2 ⋅ x + ... + pn ⋅ x = y ⇔ ∑ pi
1 2 n n
i =1
• Dabei sind a, b, c,… reelle Zahlen (zusätzlich sei a ≠ 0) und x und y

reelle Variablen. Ferner ist pi eine reelle Zahl und i eine natürliche
Zahl

146
Umgang mit Gleichungen an Beispielen I
• Gegeben sei die (quadratische) Gleichung

a ⋅ x2 + b ⋅ x + c = 0 a≠0
• Gemäß der Äquivalenzumformungen können wir beide Seiten durch
a teilen (da es ungleich 1 ist). Es ergibt sich:
a 2 b c 0 b c
⋅ x + ⋅ x + = ⇔ x2 + ⋅ x + = 0
a a a a a a
• Ab jetzt „spielen“ wir mit den Umformungen und Rechenregeln.
Wichtig ist dabei nur, dass die Operationen mathematisch zulässige
Umformungen sind.
• Wir können die linke Seite einfach umschreiben zu (einfach
mitmachen)
1 b c
x2 + 2 ⋅ ⋅ ⋅ x + = 0
2 a a
147
Umgang mit Gleichungen an Beispielen II
• Auf beiden Seiten können wir beispielsweise c/a abziehen.

1 b c
x + 2⋅ ⋅ ⋅ x = −
2
2 a a
• Nun können wir auf beiden Seiten ((1/2)(b/a))² hinzuaddieren.
1 b 1 b c 1 b
x 2 + 2 ⋅ ⋅ ⋅ x + ( ⋅ )2 = − + ( ⋅ )2
2 a 2 a a 2 a
• Wenn wir statt 2·a die Formulierung a + a nutzen ergibt sich auf der
linken Seite
1 b 1 b 1 b c 1 b
x 2 + ⋅ ⋅ x + ⋅ ⋅ x + ( ⋅ )2 = − + ( ⋅ )2
2 a 2 a 2 a a 2 a

148
Umgang mit Gleichungen an Beispielen III
• Da Reihenfolgen bei der Addition und Multiplikation unerheblich

sind (Kommutativgesetz), vertauschen wir ein paar Terme auf
beiden Seiten der Gleichung.
1 b 1 b 1 b 2 1 b 2 c
x + ⋅ ⋅x+ x⋅ ⋅ +( ⋅ ) = ( ⋅ ) −
2
2 a 2 a 2 a 2 a a
• Ausklammeroperationen zeigen das
( z + y ) ⋅ ( z + y ) = ( z + y ) z + ( z + y ) y = z 2 + yz + zy + y 2
• Mit x als z und (1/2)(b/a) als y ergibt sich
1 b 1 b 1 b 1 b c
x 2 + ⋅ ⋅ x + x ⋅ ⋅ + ( ⋅ )2 = ( ⋅ )2 −
2 a 2 a 2 a 2 a a
1 b 1 b 1 b 2 c 1 b 2 1 b 2 c
⇔ ( x + ⋅ )( x + ⋅ ) = ( ⋅ ) − ⇔ ( x + ⋅ ) = ( ⋅ ) −
2 a 2 a 2 a a 2 a 2 a a

149
Umgang mit Gleichungen an Beispielen IV
• Mit x als z und (1/2)(b/a) als y ergibt sich

1 b 1 b 1 b 1 b c
x 2 + ⋅ ⋅ x + x ⋅ ⋅ + ( ⋅ )2 = ( ⋅ )2 −
2 a 2 a 2 a 2 a a
1 b 1 b 1 b c 1 b 1 b c
⇔ ( x + ⋅ )( x + ⋅ ) = ( ⋅ ) 2 − ⇔ ( x + ⋅ ) 2 = ( ⋅ ) 2 −
2 a 2 a 2 a a 2 a 2 a a
• Auf beiden Seiten kann die Quadratwurzel gezogen werden:

1 b 1 b c 1 b 1 b c
( x + ⋅ )2 = ( ⋅ )2 − ⇔ x + ⋅ = ± ( ⋅ )2 −
2 a 2 a a 2 a 2 a a
• Es ergibt sich nach einer letzten Umformung:
1 b 1 b c 1 b 1 b c
x + ⋅ = ± ( ⋅ )2 − ⇔ x = − + ⋅ ± ( ⋅ )2 −
2 a 2 a a 2 a 2 a a

150
Umgang mit Gleichungen an Beispielen V

• Es ergibt sich nach einer letzten Umformung
1 b 1 b c 1 b 1 b c
x + ⋅ = ± ( ⋅ )2 − ⇔ x = − ⋅ ± ( ⋅ )2 −
2 a 2 a a 2 a 2 a a
• Dies ist die Ihnen aus der Schule bekannte pq-Formel mit p = b/a
und q = c/a.
p p 2
x =− ± ( ) −q
2 2
• Viele „bekannte Formeln“ lassen sich einfach durch die
elementaren Rechenregeln und Äquivalenzumformungen herleiten.
Dadurch werden komplexe Transformationen verkürzt.
• Ein weiteres Beispiel sind die sog. binomischen Formeln, die alle im
Grunde nur aus richtigem Ausklammern und Zusammenfassen
bestehen.

151
FUNKTIONEN UND IHRE DARSTELLUNG

152
Funktionen I
• Eine eindeutige (!) Abbildung f zwischen den X und Y, die jedem

Element von X genau ein Element von Y zuordnet, wird als Funktion
bezeichnet. Als Notation wird üblicherweise f(x) = y verwendet.
• Der Funktionsbegriff i.e.S. umfasst alle diejenigen Funktionen, bei
denen y eine reelle Zahl ist.
• Eine mögliche Darstellung ist mit Hilfe eines Venn-Diagramms:
x3 y4 x3 y4
x2 y3 x2 y3
X Y X Y
y2 y2
x1 x1
y1 y1
Funktion (eindeutig) keine Funktion (nicht eindeutig)

153
Funktionen II
• Funktionen sind die typischen Arbeitsmitteln in fast jeder

Wissenschaft, die mit Mathematik arbeitet.
• In den Wirtschaftswissenschaften gibt es Dutzende von Funktionen,
die sie im Laufe Ihres Studiums kennenlernen. Einige Beispiele
– Erlös- und Gewinnfunktionen
– (Grenz-)Kostenfunktionen
– Produktionsfunktionen
• Neben der Darstellung in der üblichen analytischen Notation f(x) = y
und dem bereits gesehenen Venn-Diagramm, können Funktionen
auch durch Wertetabellen, die den x-Werten die y-Werte zuordnen
dargestellt werden.

154
Funktionen III
• Als Beispiel hier die Werttabelle der obigen als Venn-Diagramm

gezeigten Funktion
x-Wert x1 x2 x3
y-Wert y1 y2 y4
• Als weiteres Beispiel die Werttabelle der Funktion y = f(x) = 2x+1 für
die x-Wert -2,-1,0,1,2.
x-Wert -2 -1 0 1 2
y-Wert -3 -1 1 3 5
• Werttabellen sind gute Anfangspunkte für grafische Darstellungen.

155
Funktionen III
• Durch moderne Computerprogramme können beliebige (auch
sehr komplexe Funktionen sehr schnell grafisch dargestellt
werden.
• So ergibt etwa: y = x cos( x )
• Grafische Darstellungen von
Funktionen machen deren
wesentlichen Eigenschaften
sehr gut sichtbar.
• Im Grunde wird dabei nur
jedem Wertepaar ein Punkt in
einem Koordinatensystem
zugeordnet. Die Menge aller
Punkte wird Graph der
Funktion genannt.

156
DIFFERENZIALRECHNUNG

157
Differenzial- und Integralrechnung

• Differenzialrechnung ist ein wesentliches Themengebiet der
Analysis. Sie beschäftigt sich mit der lokalen Veränderung von
Funktionen. Ausgangspunkt ist dabei immer die Bestimmung des
Differenzialquotienten (Ableitung).
• In wirtschaftswissenschaftlichen Kontexten hat die Analyse der
Änderungen einer Funktion eine große Bedeutung, wenn etwa eine
Gewinnfunktion in Abhängigkeit der Menge gegeben ist und
Mengenänderungen zu Preisänderungen führen, so wird zu Analyse
die erste Ableitung der Gewinnfunktion gebildet.
• Nachfolgend wird die Differenzialrechnung für Funktionen mit einer
Variablen (Veränderlichen) kurz wiederholt. Alle hier gezeigten
Analysen lassen sich auch auf Funktionen mit mehreren
Veränderlichen übertragen. Ein wesentlicher Vorteil einer
Beschränkung auf Funktionen mit einer Veränderlichen ist die
einfacherer grafische Repräsentation.

158
Differenzialquotient und Ableitung I
• Die Analyse des Änderungsverhaltens einer Funktion f(x) wird durch

kann durch die Analyse der Steigung m in dem Punkt x0 erfolgen.
• Beispiel: Angenommen, f(x) sei im Bereich von x = 0 bis 70 eine
Kostenfunktion eines Unternehmens, d.h. eine Ausbringungsmenge
von x führe (in diesem Wertebereich) zu Gesamtkosten von y. Als
f(x) sei die Funktion
1 11
y = f ( x) = − ⋅ x3 + ⋅ x2 + x + 5
108 12
gegeben.
• Ihre Graph sieht wie folgt aus:

159
Differenzialquotient und Ableitung II
• Angenommen das Unternehmen produziere derzeit x0 = 60

Einheiten und überlegt, welche Kosten mit der Produktion einer
weitere ganzen Einheit einhergehen. Es ist also an der Steigung m
im Punkt x0 interessiert.
• Ein erster Weg zur Lösung wäre, m
die Kosten für f(60) = 1365
und die Kosten für f(61) ≈ 1375,2
zu errechnen und die Differenz
(etwa 10,2) zu bilden.
• Eine (einfachere) Methode ist die
x0 = 60
Steigung in m zu bestimmen.

160
Differenzialquotient und Ableitung III
• Leider ist die Steigung der Tangente nicht bekannt. Sie kann aber
angenähert werden durch die sogenannte Sekantensteigung ms.
Dazu wird zu dem Punkt (x0,f(x0)) ein weiterer Punkt genutzt, der
nur minimal von x0 abweicht, die Abweichung wird mit Δx kenntlich
gemacht.
m f(x0+Δx)-f(x0)= Δf
Δx
x0 = 60

161
Differenzialquotient und Ableitung IV
• Die Steigung der Sekante ms ergibt sich als Differenzenquotient

∆f f ( x0 + ∆x ) − f ( x0 )
ms = =
∆x ∆x
• Je kleiner Δx ist, umso mehr nährt sich die Sekantensteigung ms der
Tangentensteigung m an. Es gilt also:
f ( x0 + ∆x ) − f ( x0 ) m
m = lim ms = lim
∆x → 0 ∆x →0 ∆x ms f(x0+Δx)-f(x0) = Δf
Δx
• Der sich ergebende Zahlenwert wird als

Differenzialquotient oder Ableitung
bezeichnet.

162
Differenzialquotient und Ableitung V

• Die Ableitung gibt also an, um wie viele Einheiten sich der
Funktionswert f(x0) ändert, wenn sich x um eine sehr kleine Einheit
Δx ändert.
• Wenn ein Grenzwert an der Stelle x0 existiert, so ist f in x0
differenzierbar. Für die Ableitung haben sich mehrere Notationen
etabliert. In der Schulmathematik wird in der Regel die Ableitung
durch einen Strich nach der Funktionsbezeichnung gekennzeichnet:
f‘ für die erste f‘‘ für die zweite Ableitung usw. In der
weiterführenden Mathematik ist es gebräuchlicher den
Differenzialquotienten abzukürzen:
df ( x0 )
dx
• Das d steht dabei für den griechischen Buchstaben „delta“, der auch
häufig als direkt genutzt wird (je nach Konvention).

163
Differenzialquotient und Ableitung VI
• Wenn eine Funktion im gesamten Wertebereich differenzierbar ist,

so ist die Funktion differenzierbar. Die einzelnen Ableitungswerte
bilden die Ableitungsfunktion.
• Da sich die Berechnung von Differenzialquotienten auch bei
einfachen Funktionen als schwierig erweist, werden üblicherweise
einfach Ableitungsregeln genutzt (und die auf der
Verallgemeinerung des Prinzips des Differenzialquotienten
beruhen).
• Seien f, g, u und v differenzierbare Funktionen von x, sei c eine
reelle Zahl und n sei eine natürliche Zahl.

164
Ableitungsregeln I
Funktion f(x) Ableitung f‘(x) Beispiel
xn nx n −1 f ( x ) = x 5 ⇒ f ′( x ) = 5 x 4
Umgang mit Potenzen

c ⋅ g (x ) c ⋅ g ′(x ) f ( x) = 6 ⋅ x5
⇒ f ′( x ) = 30 ⋅ x 4
Multiplikative Konstante
f ( x) = 6 ⋅ x5 + x
u( x ) ± v( x ) u′( x ) ± v′( x )
⇒ f ′( x ) = 30 ⋅ x 4 + 1
Ableitung von Summen
f ( x ) = 6 x ⋅ ( x 2 − 1)
u( x ) ⋅ v( x ) u′( x ) ⋅ v ( x ) + u( x ) ⋅ v′( x )
⇒ f ′( x ) = 6 ⋅ ( x 2 − 1) + 6 x ⋅ 2 x
= 18 x 2 − 6
Produktregel

165
Ableitungsregeln II
6x
u( x ) u′( x ) ⋅ v ( x ) − u( x ) ⋅ v′( x ) f ( x) = ⇒
x −1
v( x) ( v ( x )) 2 6 ⋅ ( x − 1) − 6 x ⋅ 1 6
f ′( x ) = = −
Quotientenregel ( x − 1) 2 ( x − 1) 2
f ( g ( x )) f ′( g ( x )) ⋅ g ′( x ) f ( g ( x )) = (3x 2 + 1) 4
mit f (g) = g4
Kettenregel
und g ( x ) = 3x 2 + 1
f ′( x ) = 4 ⋅ (3x 2 + 1) ⋅ 6 x
= 24 x ⋅ (3x 2 + 1)

166
Ableitungsregeln III
e x
e x f ( x ) = e 2 x +5 ⇒ f ′( x ) = 2e 2 x +5
Exponentialfunktion zur Unter Anwendung der

Basis e Kettenregel!
1 1
ln x f ( x ) = ln( x + 1) =
x +1
x
1
c −1
x c
cx f ( x) = x = x 2
Achtung: c ist reelle Wichtig für Wurzeln 1 − 12

⇒ f ′( x ) = ⋅ x =
1
Zahl! 2 2 x
Auch die gebildete Ableitungsfunktion kann häufig differenziert werden. Dann wird
von der n-ten Ableitung gesprochen, wobei die zweite Ableitung die
Ableitungsfunktion der Ableitungsfunktion ist usw.

167
Differenzialquotient und Ableitung VII
• Mit diesen Regeln kann in dem Beispiel die Funktion:

1 11
y = f ( x) = − ⋅ x3 + ⋅ x2 + x + 5
108 12
m
abgeleitet werden. Es ergibt sich:
1 2 11
f ′( x ) = − ⋅ x + ⋅ x +1
36 6
• Der Wert x0 = 60 ergibt:
1 11
f ′(60) = − ⋅ 602 + ⋅ 60 + 1 x0 = 60
36 6
= −100 + 110 + 1 = 11
• Dies ist die die korrekte Steigung m, die mit 10,2 bereits im ersten
Versuch ganz gut angenähert wurde.

168
Differenzialquotient und Ableitung VII
• Die Ausweitung der Produktion um eine weitere (marginal kleine)

Einheit erhöht die Kosten also um 11 GE. Anders ausgedrückt: Die
Grenzkosten sind 11 GE.
x0 = 60

169
INTEGRALRECHNUNG

170
Integralrechnung I
• Die Integralrechnung ist ein anders wesentliches Themengebiet der
Analysis. Sie ist aus der Flächen- und Volumenberechnung
hervorgegangen.
• Die Integralrechnung kehrt in gewisser Weise die Fragestellung der
Differenzialrechnung um: Es wird eine Funktion F gesucht, deren
Ableitung F‘ gerade eine gegebene Ableitungsfunktion f ist. Die
Funktion F heißt die zu f gehörige Stammfunktion.
• Da die Ableitung jeder Konstante c immer Null ist, ist unmittelbar
einsichtig, dass zu jeder Stammfunktion F diese Konstante c addiert
werden kann und sie ist immer noch Stammfunktion von f. Deshalb
ist die Stammfunktion nicht eindeutig.
• Die Suche nach Stammfunktionen ist mitunter sehr schwierig.
Nachfolgend werden nur die Grundtechniken der Integralrechnung
vorgestellt.

171
Integralrechnung II
• Eine differenzierbare Funktion F(x) zu einer stetigen Funktion f(x) in

einem Intervall [a,b], heißt Stammfunktion, wenn gilt F‘(x) = f(x).
• Die Menge aller Stammfunktionen F zu einem Integranden f(x)
heißt unbestimmtes Integral.
• Als Notation des unbestimmten Integrals wird nachfolgender
Ausdruck eingeführt:
∫ f ( x)dx
• In den Anwendungen der Wirtschaftswissenschaften reicht es
häufig aus, bei der Suche nach unbestimmten Integralen auf
Tabellen mit Grundintegralen zurückzugreifen. Nachfolgend seien a,
b und c reelle Zahlen und n eine natürliche Zahl. f(x) und g(x) seien
stetige Funktionen.

172
Grundintegrale I
Funktion f(x) Unbestimmtes Integral ∫f(x)dx
0 c
a a⋅x+c
x n , n ≠ −1 x n +1
+c
n +1
( a ⋅ x + c ) , n ≠ −1, a ≠ 0
n 1 ( ax + b) n +1
⋅ +c
a n +1
1
ln(| x |) + c
x

173
Grundintegrale II
Funktion f(x) Unbestimmtes Integral ∫f(x)dx
1 1
,a ≠ 0 ln(| ax + b |) + c
ax + b a
ex ex + c
e ax +b , a ≠ 0 1 ax +b
e +c
a
Es gelten zusätzlich folgenden Rechenregeln:
∫ c ⋅ f ( x)dx = c ⋅ ∫ f ( x)dx
∫ ( g ( x) ± f ( x))dx = ∫ g ( x)dx + ∫ f ( x)dx

174
Integralrechnung III
• Zur Bestimmung der Fläche A unter einem Graphen einer stetigen

Funktion f zwischen zwei Punkten a und b, wird das Intervall [a,b]
in n gleichgroße Teilintervalle [xi-1,xi] unterteilt. Ein Intervall hat die
Länge (b-a)/n und es wird x0 = a und xn = b definiert. Seien βi
konkrete Zahlenwerte im Teilintervall [xi-1,xi], so kann die Fläche
unter dem Graphen annäherungsweise bestimmt werden, wenn die
Fläche aller Rechtecke f(βi)·(xi-xi-1) addiert wird:
A ≈ f ( β1 ) ⋅ ( x1 − x0 ) + f ( β 2 ) ⋅ ( x2 − x1 ) + ... + f ( β n ) ⋅ ( xn − xn −1 )
n n
b−a
= ∑ f ( β n ) ⋅ ( xn − xn −1 ) = ∑ f ( β n ) ⋅
i =1 i =1 n

175
Integralrechnung IV
• Der Grenzwert für (xi-xi-1) gegen Null ist gleichbedeutend mit n

gegen unendlich. Es ergibt sich das bestimmte Integral als
b−a
b n
A = ∫ f ( x )dx. = lim ∑ f ( β n ) ⋅
n →∞ n
a i =1
• Die Parameter a und b heißen untere bzw. obere Integrationsgrenze

und die Funktion f(x) Integrand.
• Zur Flächenberechnung wird eine beliebige Stammfunktion des
Integrals gebildet es gilt allgemein (der zweite Hauptsatz der
Differenzial- und Integralrechnung):
b
∫ f ( x)dx = F (b) − F ( A)
a

176
Integralrechnung V
• Gegeben sei die Funktion für x als reelle Zahl im Intervall [0,4]
16 x −1
f ( x) = − e + x2
x
• Der Graph ergibt sich als:
• Gesucht sei die Fläche

unter dem Graphen im Intervall gesuchte
Fläche
[2,3].

177
Integralrechnung V
• Mit den Grundintegralen und den zugehörigen Rechenregeln ergibt

sich:
3 3 3 3 3
16 x −1 1
∫ f ( x )dx = ∫ − e + x = 16 ⋅ ∫ − ∫ e x −1 + ∫ x 2
2
2 2
x 2
x 2 2
3 3
x
mit 16 ⋅ ln x − e x −1 + ergibt sich :
3 2
8
(16 ⋅ ln 3 − e 2 + 9) − (16 ⋅ ln 2 − e + ) ≈ 19.1887 − 11.0387
3
= 8.1499

178
OPERATIONEN MIT ÖKONOMISCHEN FUNKTIONEN

179
Operationen mit ökonomischen Funktionen I
• In wirtschaftswissenschaftlichen Modellen werden sehr viele

Sachverhalte durch (einfache) Funktionen ausgedrückt.
• Mit Hilfe der obigen mathematischen Überlegungen können dann
wichtige wirtschaftswissenschaftliche Implikationen hergleitet
werden.
• Nachfolgend wird ein Beispiel zum Umgang mit diesen Funktionen
erläutert.
• Ein sehr wichtiges Beispiel sind sogenannte Kostenfunktionen K(x).
Sie geben die Gesamtkosten K in Abhängigkeit der
Ausbringungsmenge x eines Gutes an.

180
Operationen mit ökonomischen Funktionen II
• Dann ergeben sich die Durchschnittskosten DK als:

K ( x)
DK =
x
• Davon strikt zu unterscheiden sind die Grenzkosten GK, die sich als
erste Ableitung der Kostenfunktion ergeben:
GK = K ′(x )
• Die Grenzkosten geben Auskunft über die Kosten der nächsten

Einheit, die ausgehend von einer gegebenen Ausbringungsmenge,
produziert werden soll.

181
Operationen mit ökonomischen Funktionen III
• Ist die Kostenfunktion z.B. mit K(x) = x² - x + 50 korrekt beschrieben,

so ergeben sich GK = 2 · x – 1 und DK = x – 1 + (50/x).
GK
DK

182
Operationen mit ökonomischen Funktionen IV
• Eine mögliche Frage könnte nun lauten: Angenommen, sie

produzieren bereits 7 Einheiten und für eine weitere Einheit wird
Ihnen ein Preis von 15 GE geboten. Würden Sie das Angebot
annehmen?
• Ja, denn die Kosten der weiteren Einheit belaufen sich auf 13 GE
und Sie erhalten 15 GE.
• Ergänzend wird nun eine Preis-Absatz-Funktion PAF(x) eingeführt.

Sie beschreibt den Preis p in Abhängigkeit der Ausbringungsmenge
x. Für das Beispiel sei angenommen, PAF(x) = 23 – x.
• Es sei weiterhin angenommen, dass die obige Kostenfunktion von
dem einzigen Anbieter des betreffenden Gutes stammt (Monopol).

183
Operationen mit ökonomischen Funktionen V

• Der Erlös E ist allgemein als „Preis mal Menge“ bestimmt. Formal
ergibt sich:
E ( x ) = PAF ( x ) ⋅ x
• oder in dem Beispiel: E(x) = 23x – x²
• Welche Menge sollte nun aus ökonomisch rationaler Perspektive in

dem Beispiel (von dem Monopolisten) angeboten werden?
– 1. Überlegung: Der Anbieter wird versuchen seinen Gewinn zu
optimieren
– 2. Überlegung: Der Gewinn G ergibt sich als Erlös abzüglich der Kosten,
es gilt also G = E – K

184
Operationen mit ökonomischen Funktionen VI
• Es ergibt sich also:

G ( x ) = E ( x ) − K ( x ) = PAF ( x ) ⋅ x − K ( x )
• Aus der Schulmathematik (Kurvendiskussion) ist bekannt, dass für

das Gewinnmaximum gelten muss G‘(x) = 0 (notwendige
Bedingung). Ferner muss G‘‘(x) ≤ 0 (hier erfüllt). Es ergibt sich:
!
G ′( x ) = 0 ⇒ E ′( x ) − K ′( x ) = 0 ⇔ E ′( x ) = K ′( x )

185
Operationen mit ökonomischen Funktionen VII
• Im Beispiel:
E ( x ) = 23x − x 2 K ( x ) = x 2 − x + 50
E ′( x ) = 23 − 2 x K ′( x ) = 2 x − 1
E ′( x ) = 23 − 2 x = K ′( x ) = 2 x − 1
⇒x=6
DK
GK
GE

186
Operationen mit ökonomischen Funktionen VIII
• Die Liste der Anwendungsbeispiele für Operationen mit

ökonomischen Funktionen lässt sich beliebig verlängern.
• Es ist hier nur wichtig, dass Sie Mathematik als nützliches Werkzeug
für Ihr Studium begreifen und nicht als davon losgelöste
Pflichtübung im Grundstudium!

187
SELF ASSESSMENT III (GLEICHUNGEN, FUNKTIONEN, DIFFERENZIAL-

UND INTEGRALRECHNUNG)

188


189
self assessment III (1)
• Lösen Sie nach x auf:
( x + 9) ⋅ 2 = 20 x =1
( x + 8) ⋅ x = 20 x = 2 ∨ x = −10
8
x= x =8
x
9
x= 3 x =3
2
x

190
• Bilden Sie die erste Ableitung:
f ( x) = x5 − x3 f ′( x ) = 5 x 4 − 3x 2
5x 10
f ( x) = f ′( x ) =
x+2 ( x + 2) 2
• Bestimmen Sie das Integral:

4
∫ 204, 6
4
x
1

191
• Gegeben sei die Kostenfunktion x² - 2 · x + 100. Bestimmen Sie die

Funktion der Durchschnittskosten und die Grenzkostenfunktion.
100
DK = x − 2 +
x
GK = 2 x − 2
• Gegeben sei zusätzlich die PAF(x) = 10 – x. Bestimmen Sie die

gewinnmaximale Absatzmenge, wenn Sie von einem
Monopolisten ausgehen.
x=3

192
self assessment III - Auswertung
– gute Kenntnisse


193
MATRIZEN UND VEKTOREN

194
Matrizen und Vektoren
• Unter einer mxn-Matrix (plural: Matrizen) wird allgemein ein

rechteckiges Zahlenschema mit m Zeilen und n Spalten verstanden.
Es besteht aus den Elementen aij mit i = 1,…,m und j = 1,…,n. Sie
stellen Zahlen dar. Sie werden in der Regel mit großen lateinischen
Buchstaben bezeichnet. Matrizen mit m=1 werden als
Zeilenvektoren, Matrizen mit n=1 werden als Spaltenvektoren
bezeichnet. Vektoren werden in der Regel mit kleinen lateinischen
Buchstaben bezeichnet. Die Zahl der Elemente eines Vektors bzw.
die Angabe mxn einer Matrix wird als deren Dimension bezeichnet.
 a11 a12 ... a1n   a1 
   
a a22    a 
A =  21 a = 2 b = (a1 a2  an )
     
   
 am1   amn   an 

195
Quadratische Matrizen, Dreiecksmatrizen und Diagonalmatrizen I
• Eine Matrix mit m = n, d.h. mit identischer Zeilen und Spaltenzahl,

heißt quadratische Matrix. Die Einträge aij bilden die
Hauptdiagonale (sie verläuft von links oben nach rechts unten).
• Wenn alle Einträge einer quadratischen Matrix oberhalb/unterhalb
der Hauptdiagonalen Null sind, so wird dies als Dreiecksmatrix
bezeichnet.
• Stehen nur auf der Hauptdiagonalen eine quadratischen Matrix
Einträge die nicht Null sind, so heißt die Matrix Diagonalmatrix.

196
Quadratische Matrizen, Dreiecksmatrizen und Diagonalmatrizen II
 a11 a12 ... a1n 

  quadratische Matrix
a a22   
A =  21 mit m = n
    
 
 am1   amn 
 a11 0 ... 0  obere  a11 a12 ... a1n  untere

  Dreiecksmatrix   Dreiecksmatrix
 a a  0   0 a   
A =  21 22
mit m = n A= 22
mit m = n
         
   
 am1   amn  0 0  amn 
 a11 0 ... 0  Diagonalmatrix

 
 0 a  0 
A= 22
 mit m = n
   
 
0 0  amn 

197
Einheitsmatrix und Nullmatrix
• Eine Diagonalmatrix, deren Hauptdiagonale ausschließlich aus

Einsen besteht heißt Einheitsmatrix. Hierfür wird i.d.R. die
Bezeichnung E verwendet.
1 0 ... 0 
 
0 1  0
E = mit m = n
   
 
0 0  1
• Sind alle Einträge einer Matrix gleich Null, so heißt die Matrix
Nullmatrix. Als Bezeichnung hat sich N etabliert. Für die Definition
einer Nullmatrix muss die Matrix nicht quadratisch sein.
 0  0
 
N =   
 0  0
 

198
Transponierte Matrizen
• Werden die Zeilen m und die Spalten n einer mxn-Matrix A

vertauscht, so wird die Matrix AT als transponierte Matrix
bezeichnet. Es gilt (AT)T = A.
• Beispiel:
 3 − 9 0
   3 0 3 0
 0 1 2   
A= AT =  − 9 1 − 4 9 
3 − 4 3  0 2 3 2
   
0 9 2
• Bei Vektoren kann der Zeilenvektor als transponierter Spaltenvektor

aufgefasst werden.

199
Matrixoperationen – Addition/Subtraktion
• Für zwei mxn-Matrizen ist die Addition/Subtraktion definiert als die

Addition/Subtraktion der an gleicher Stelle stehenden Elemente.
Dies wird als elementenweise Addition/Subtraktion bezeichnet.
• Es gilt für zwei Matrizen A und B:
 a11 a12 ... a1n   b11 b12 ... b1n 
a a    b b   
A + B  21 22  +  21 22 
           
   
 m1
a   a mn   m1
b   bmn 
 a11 + b11 a12 + b12 ... a1n + b1n 

 a +b a + b   
=  21 21 22 22 
     
 
a +
 m1 m1 b   a mn + bmn 

200
Matrixoperationen – Multiplikation mit einer reellen Zahl
• Ein mxn-Matrizen kann auch elementenweise mit einer reellen Zahl

multipliziert werden.
• Es gilt für die Matrix A und die reelle Zahl λ:
 a11 a12 ... a1n   λa11 λa12 ... λa1n 

   
 a21 a22     λa21 λa22   
λ ⋅ A = λ ⋅ =
          
   
 am1   amn   λam1   λamn 

201
Matrixoperationen – Skalarprodukt
• Die Zahl, die dadurch entsteht, dass die Elemente eines Vektors a
mit den Elementen eines Vektors b multipliziert und anschließend
über alle Produkte die Summe gebildet wird, wird als Skalarprodukt
bezeichnet.
• Seien a und b n-dimensionale (Zeilen)Vektoren mit den Elementen
ai und bi (mit i=1,…,n), so ist das Skalarprodukt definiert als:
Skalarprodukt := a T ⋅ b = a ⋅ bT
 a1   b1 
    n
=    ⋅ (b1  bn ) = (a1  an ) ⋅    = a1b1 + ... + ai bi = ∑ ai bi
a  b  i =1
 n  n
• Achtung: Die beiden Vektoren müssen dieselbe Dimension haben,
sonst lässt sich das Skalarprodukt nicht bilden.

202
Matrixoperationen – Matrizenmultiplikation I
• Seien A und B zwei Matrizen, so ist das Matrixprodukt A·B definiert

als Matrix C, deren Elemente cij die Skalarprodukte der der
Zeilenvektoren von A mit den Spaltenvektoren von B sind. Daraus
folgt, dass das Produkt nur definiert ist, wenn alle diese Produkte
gebildet werden können.
• Es gilt also für eine mxn-Matrix, dass das Matrixprodukt nur
berechnet werden kann, wenn B genau n Zeilen hat (aber beliebige
Spalten r hat).
• Für die Dimension der Produktmatrix gilt:
m × n − Matrix ⋅ n × r − Matrix = m × r − Matrix

203
Matrixoperationen – Matrizenmultiplikation II
• Eine übersichtliche Darstellung erlaubt das Falk‘sche-Schema,

indem die beiden zu multiplizierenden Matrizen links und oben und
das Produkt unten links dargestellt wird. Für die mxn-Matrix A und
die nxr-Matrix B lautet sieht es wie folgt aus:
 b11 b12 ... b1r 
 
b
 21 b 22   
     
   b1j 
 n1
b   b nr   
= mit cij (a i1 ... a in ) ⋅   
 a11 a12 ... a1n   c11 c12 ... c1r   b nj 
     
a
 21 a 22     c 21 c 22   
           
   
 a m1   a mn   c m1   c mr 

204
Matrixoperationen – Matrizenmultiplikation II
• Beispiel: Die Multiplikation der Matrizen

 2 2
   − 2 3 1 − 4
A =  3 4 und B =  
 − 1 5  2 1 0 5 
 
• Ergibt sich im Falkschen-Schema als:
 − 2 3 1 − 4
 
 2 1 0 5  Der Eintrag 13 ergibt sich
 2 2 0 8 2 2 bspw. als Skalarprodukt der
    Vektoren (3 4) und (3 1)
 3 4   2 13 3 8  =3·3+ 4·1
 − 1 5 12 2 − 1 29 
   

205
Rechenregeln der Matrizenmultiplikation
Regel Bemerkung
(A·B)·C=A·(B·C) Assoziativgesetz
A·(B+C)=A·B+A·C Distributivgesetz
(A·B)+C=A·C+B·C
Wenn A quadratisch gilt: Multiplikation mit der Einheitsmatrix E
A·E=E·A=A reproduziert A
Wenn A quadratisch und N Multiplikation mit der Nullmatrix N ergibt
die passende Nullmatrix ist, die Nullmatrix.
gilt: A·N=N·A=N
(A·B)T = BT · AT Transponieren eines Matrixprodukts
A·B≠B·A Kommutativgesetz gilt nur in

Ausnahmefällen

206
Inverse Matrix
• Eine Matrix A-1 zu einer quadratischen Matrix A mit der Eigenschaft

A·A-1=A-1·A=E (Einheitsmatrix) wird inverse Matrix zu A genannt.
Wenn Sie existiert, ist sie eindeutig bestimmt und A wird regulär
genannt, wenn sie nicht existiert ist A irregulär.
• Zur Bestimmung der Inversen, muss ein lineares Gleichungssystem
aufgelöst werden, so wie es im nächsten Kapitel gezeigt wird.
• Beispiel:  1 
0 
A =
−1 3  ist die Inverse zu
 1 1
− 
2 6
 1   1 
1 2 0  1 2 1 2  0 
A =  da gilt :  3 ⋅ = ⋅ 3  =  1 0 
 1   3 0   3 0   1  
 3 0   1 −  
1
−   0 1 
2 6 2 6

207
Matrizen und Vektoren – praktischer Nutzen
• Matrizenrechnung und die Eigenschaften bestimmter Matrizen sind

sowohl in der Programmierung als auch in der Statistik wichtige
Werkzeuge, um mit großen Datenmengen umzugehen.
• Sie erlauben es, komplexe Operationen einfach auszudrücken und
sind ferner die Grundlage aller mathematischer-statistischer
Anwendungssoftware.

208
GRUNDLAGEN LINEARER GLEICHUNGSSYSTEME

209
Lineare Gleichungssysteme I
• Lineare Gleichungssystem sind ein sehr wichtiger Bereich der

Mathematik für wirtschaftswissenschaftliche Anwendungen. Sie
bilden die Grundlage für viele weiterführenden Verfahren der
Optimierung und des Operations Research.
• Der Begriff linear macht deutlich, dass die Unbekannten in den
einzelnen Gleichungen nur in der ersten Potenz vorkommen, der
Begriff System beschreibt die Zugehörigkeit unterschiedlicher
Gleichungen zu einer „Aufgabenstellung“.

210
Lineare Gleichungssysteme II
• Der Begriff lineares Gleichungssystem beschreibt ein System aus

linearen Gleichungen mit n unbekannten Variablen xi (1,…,n), die
die nachfolgende Form aufweisen:
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2 n xn = b2

am1 x1 + am 2 x2 + ... + amn xn = bm
• aij (die Koeffizienten) und bj seien reelle Zahlen. Die Lösungen xi

eines linearen Gleichungssystems müssen alle Gleichungen
gleichzeitig erfüllen.

211
Lineare Gleichungssysteme III
• Diese Form kann als Skalarprodukt der Matrix A mit einem

Spaltenvektor x geschrieben werden, der den Spaltenvektor b ergibt
• Es gilt also (in Matrixschreibweise): A·x=b.
• Ist m > n (mehr Gleichungen als Unbekannte) wird das lineare
Gleichungssystem überbestimmt bei m < n als unterbestimmt
bezeichnet.
• Nachfolgend werden nur System mit m = n behandelt.
• Lineare Gleichungssystem können keine Lösung, unendlich viele
Lösung oder genau eine Lösung haben. Der Fall, das es mehrere
aber endlich viele Lösungen gibt, kann bei linearen
Gleichungssystemen nicht auftreten.

212
Lineare Gleichungssystem in Matrixschreibweise
• In der Matrixschreibweise A·x=b kann jedes lineare

Gleichungssystem mit m = n also wie folgt aufgeschrieben werden:
 a11 a12 ... a1n   x1   b1 
     
 21
a a     x2   b2 
 
22
⋅ =
     
     
 anm1   ann   xn   bn 
• Die Matrix A heißt Koeffizientenmatrix des linearen

Gleichungssystems
• Formal kann jedes lineare Gleichungssystem mit einer Lösung dann
mit Hilfe der inversen Matrix zu A also mit A-1 gelöst werden, denn
es gilt: A−1 ⋅ A ⋅ x = A−1 ⋅ b
⇔ E ⋅ x = x = A−1 ⋅ b

213
Lineare Gleichungssysteme – Beispiel zur Lösung I
• Gegeben sei das lineare Gleichungssystem:

( I ) : 3x1 − 4 x2 = 1
( II ) : x1 + x2 = 5
• Aus der Schulmathematik wissen Sie, dass Sie durch Umformen und
Einsetzen der Gleichungen die Lösung bestimmen können (falls Sie
existiert. Es ergibt sich:
aus (II) x1 + x2 = 5 ⇒ x1 = 5 − x2 in (I) eingesetzt
⇒ 3 ⋅ (5 − x2 ) − 4 x2 = 1 ⇒ 14 = 7 x2 ⇒ x2 = 2 in (II) eingesetzt
⇒ x1 = 3
• x1 = 3 und x2 = 2 ist die einzige Lösung des linearen
Gleichungssystems

214
Lineare Gleichungssysteme – Beispiel zur Lösung II
• Gegeben sei das lineare Gleichungssystem:

( I ) : 3x1 − 4 x2 = 1
( II ) : x1 + x2 = 5
• In Matrixschreibweise ergibt sich:

 3 − 4   x1   1 
  ⋅   =  
 1 1   x2   5 
• Angenommen, Sie kennen die inverse Matrix zu der

Koeffizientenmatrix
−1
3 − 4  0.1429 0.5714 
  =  
 1 1   − 0 . 1429 0 . 4286 

215
Lineare Gleichungssysteme – Beispiel zur Lösung III
• Dann wäre die Lösung schnell bestimmt:

 0.1429 0.5714   3 4   x1   0.1429 0.5714   1 
  ⋅ = ⋅   ⋅ 
 −0.1429 0.4286   1 1   x 2   −0.1429 0.4286   5 
x   0.1429 0.5714   1   3 
=
⇒ 1  = ⋅   
 x2   −0.1429 0.4286   5   2 
• Leider sind inverse Matrizen nicht immer bekannt und bei Ihrer
Bestimmung muss selbst ein lineares Gleichungssystem mit n²
Gleichungen bzw. Unbekannten gelöst werden. In der Praxis ist
dieser Weg also wenig brauchbar.

216
Elementare Umformungen eines linearen Gleichungssystems
• Es gibt eine Reihe von Umformungen, die bei der Lösung eines
linearen Gleichungssystems wichtig sind:
– Multiplikation und Division einer Zeile mit einer reellen Zahl c ≠ 0
– Addition und Subtraktion von einer Zeile zu einer anderen Zeile
– Vertauschen zweier Zeilen
– Vertauschen zweier Spalten (Achtung dann müssen Sie sich die
Variablen gut merken)
• Diese Operationen können und die Matrixschreibweise können
genutzt werden, um ein einfaches allgemeines Lösungsverfahren zu
entwickeln: Das Gauß‘sche Eliminationsverfahren.

217
Gauß‘sche Eliminationsverfahren I
• Dazu wird ein in Matrixschreibweise formuliertes lineares
Gleichungssystem schrittweise durch die Anwendung der
elementaren Umformungen in ein System mit einer oberen
Dreiecksmatrix überführt:
 d11 d12 ... d1n   x1   c1 
     
 0 d     x2   c2 
 
22
⋅ =
     
     
 0   d nn   xn   cn 
• Der Vektor c ergibt sich durch die Anwendung der elementaren
Umformungen auf den Vektor b in der ursprünglichen
Formulierung.
• Aus der letzten Gleichung kann xn ganz einfach bestimmt werden.
Dann aus der vorletzten xn-1 usw.

218
Gauß‘sche Eliminationsverfahren II
• Für die letzte Zeile gilt immer:

cn
xn =
d nn
• Für die vorletzte gilt:

cn −1 − d nn ⋅ xn
xn −1 =
d n −1n −1
• Da xn jetzt bekannt ist, kann die vorletzte ausgerechnet werden

usw.
• Es gilt, wenn alle Elemente der Hauptdiagonalen dii mit i = 1,…,n
ungleich Null sind, so hat das zugehörige lineare Gleichungssystem
eine eindeutige Lösung.

219
Gauß‘sche Eliminationsverfahren – Beispiele I

• Im obigen Beispiel ergibt sich in Matrixschreibweise:
 3 − 4   x1   1 
  ⋅   =  
 1 1   x2   5 
• Zunächst könnte das dreifache der zweiten Zeile von der ersten Zeile
abgezogen werden. Es ergibt sich:
 0 − 7   x1   − 14 
  ⋅   =  
 1 1   2 
x 5 
• Durch vertauschen der ersten und zweiten Zeile ergibt sich die Form mit
der oberen Dreiecksmatrix
 1 1   x1   5 
 ⋅  =  
 0 −7   x 2   −14 
• Nun kann die Lösung ganz leicht bestimmt werden, da aus der letzten Zeile
x2 = 2 folgt. Dies kann nun in die erste Zeile eingesetzt werden und es
ergibt sich x1 = 3.

220
Gauß‘sche Eliminationsverfahren – Übung
• Aufgabe: Gegeben sei ein lineares Gleichungssystem in

Matrixschreibweise. Bestimmen Sie die Lösung.
 3 2 −1 0   x1   4 
     
−1 2 0 4   x2   19 
⋅ =
 0 −4 6 8   x3   42 
     
1 0 3 4   x4   26 

221
• Hier ein möglicher Weg zur Lösung, dabei werden die Zeilen in der
ursprünglichen Formulierung mit ZI, ZII, ZIII und ZIV bezeichnet:
 3 2 −1 0   x1   4   3 2 −1 0   x1   4  0 8 − 1 12   x1   61 
                 
−1 2 0 4   x2   19  ZII+ ZIV − 1 2 0 4   x2   19  ZI+3⋅ZII − 1 2 0 4   x2   19 
⋅ = ⇒ ⋅ = ⇒  ⋅ =
 0 −4 6 8   x3   42   0 −4 6 8   x3   42  0 − 4 6 8   x3   42 
                 
1 0 3 4   x4   26  0 2 3 8   x4   45   0 2 3 8   x4   45 
−1 2 0 4   x1   19  −1 2 0 4   x1   19   − 1 2 0 4   x1   19 

ZI und ZII      ZIV + 1 ZIII      ZIII + 1 ZII     
0 8
vertauschen − 1 12   x2   61  2  0 8 − 1 12   2  
x 61 2  0 8 − 1 12   2 
x 61 
⇒   ⋅  =   ⇒   ⋅  =   ⇒   ⋅  = 
0 −4 6 8 x 42 0 −4 6 8 x 42 0 0 5.5 14 x 72.5 
   3       3       3   
0 2 3 8   x4   45   0 0 6 12   4  
x 66  0 0 6 12   4 
x 66 
−1 2 0 4   x1   19 
ZIV −
6      
−1
ZIII
5.5
0 8 12   x2   61 
⇒ ⋅ =
0 0 5.5 14   x3   72.5 
     
0 0 0 − 3.27   x4   − 13, 09 

222
• Aus der letzten Zeile folgt x4 = 4, da -13,090909/-3,272727 = 4.

• Dann folgt aus der vorletzten Zeile x3 = 3, da (72.5-56)/5.5 = 3.
• Dann folgt aus der zweiten Zeile x2 = 2, da (61-48+3)/8 = 2.
• Schließlich folgt aus der ersten Zeile x1 = 1, da (19-16-4)/-1 = 1.
• Die gesuchte Lösung ist:

 x1   1 
   
 x2   2 
 x  =  3
 3   
 x4   4 

223
• Die vorstehende Lösung könnten Sie auch noch mit dem aus der
Schulmathematik bekannten Einsetzen und Umformungen
beherrschen. Dies wird aber bei großen linearen
Gleichungssystemen immer schwieriger. Sie können sich gerne
überzeugen: Lösen Sie:
 1 −2 3 4 7 21   x1   549 
     
− 3 5 3 4 7 − 1  x2   183 
 1 4 3 −4 9 16   x3   429 
 ⋅  =  
 1 −2 −3 −9 −7 1   x4   − 231
 2 4 3 4 7 2   x5   246 
     
 9 − 2 3 32 7
 21   x6   909 

224
• Die Lösung des vorstehenden linearen Gleichungssystems ist von

Hand relativ zeitaufwendig. Mit den eingeführten Lösungswegen ist
eine Lösung mittels Mathematikprogrammen recht einfach.
• Beispiel in MATLAB:
A = [[1,-2,3,4,7,21];[-3,5,3,4,7,-1];[1,4,3,-4,9,16];[1,-2,-3,-9,-7,1];[2,4,3,4,7,2];[9,-2,3,32,7,21]];
b = [549; 183; 429; -231;246;909];
Ai = inv(x);
Ai*b
S Mathematische Grundlagen der

225
Gauß‘sche Eliminationsverfahren - Bemerkung
• Bei kleinen linearen Gleichungssystemen ist die Möglichkeit des

Auflösens und das Gauß‘sche Eliminationsverfahren ungefähr gleich
„praktisch“ ; bei größeren Gleichungssystemen ist die
Vorgehensweise mit dem Gauß‘schen Eliminationsverfahren –
wegen der übersichtlichen Darstellung – häufig vorzuziehen.
• Außerdem ist es die Grundlage des sogenannten Gauß‘schen
Algorithmus (einer allgemeinen Beschreibung der Vorgehensweise).
Dieser wird hier aber nicht vorgestellt.

226
KOMBINATORIK UND WAHRSCHEINLICHKEITSRECHNUNG

227
Kombinatorik
• Kombinatorik beschäftigt sich mit der Zusammenstellung von

Elementen aus einer vorgegebenen endlichen Menge. Etwas
vereinfacht ist es die Wissenschaft des Zählens. Kombinatorische
Überlegungen sind häufig die Grundlage für die Ableitung von
Wahrscheinlichkeiten und sind ein wesentlicher Grundstein zu
Bestimmung der Dimension von Lösungsräumen.
• Wenn zur Zusammenstellung alle Elemente einer Menge genutzt
werden, so wird von Permutationen gesprochen.
• Wenn zu Zusammenstellung nur ein Teil der Elemente genutzt
werden soll, so wird von Kombinationen gesprochen.

228
Wahrscheinlichkeitsrechnung
• Die Wahrscheinlichkeitsrechnung (oder Wahrscheinlichkeits-

theorie) ist ein Teilgebiet der Mathematik, dass sich mit den
Möglichkeiten des Eintretens unsicherer Ereignisse beschäftigt.
• Die Inhalte der elementaren Kombinatorik (wie wir sie
kennenlernen werden) sind eine grundsätzliche Voraussetzungen
für das Verständnis der Wahrscheinlichkeitsrechnung.
• Die Wahrscheinlichkeitsrechnung bildet mit den statistischen
Inhalten dieser Veranstaltung das mathematische Teilgebiet der
Stochastik.

229
FAKULTÄTEN UND BINOMIALKOEFFIZIENTEN

230
Fakultäten und Binomialkoeffizienten
• Wichtige Hilfsmittel bei der Darstellung kombinatorischer Modelle

sind Fakultäten und Binomialkoeffizienten.
• Zunächst Fakultäten
– Mit dem Symbol „n!“ (lies: Fakultät) wird das Produkt der natürlichen
Zahlen von 1 bis n bezeichnet.
n
n! := 1 ⋅ 2 ⋅ ... ⋅ n = ∏ i
i =1
– 0! Wird als 1 definiert

• dann Binomialkoeffizienten
– Seien n > 0, k ≥ 0 und n ≥ k, so ist der Binomialkoeffizient (sprich: „n
über k“) definiert als:
n n!
  :=
 k  k! ( n − k )!

231
Binomialkoeffizienten I
• Bei der Berechnung des Binomialkoeffizienten empfiehlt es sich

nicht erst Zähler und Nenner auszurechnen, sondern so viel wie
möglich zu kürzen.
• Ein Beispiel
7 7! 7! 7 ⋅ 6 ⋅ 5 ⋅ 4 ⋅ 3 ⋅ 2 ⋅ 1 7 ⋅ 6 ⋅ 5 210
  = = = = = = 35
 4  4! (7 − 4)! 4!⋅3! 4 ⋅ 3 ⋅ 2 ⋅ 1⋅ 3 ⋅ 2 ⋅ 1 3 ⋅ 2 ⋅ 1 6
• Es gilt stets:
n n n n  n 
  =   = 1   = n   =  
 0 n 1   
k n − k 

232
Binomialkoeffizienten II
• Binomialkoeffizienten haben ihren Namen aus der
Verallgemeinerung der Ihnen bekannten Binomischen Formel. Es
gilt nämlich:
n
 n  k n −k
( a + b) = ∑   ⋅ a ⋅ b
n
k =0  k 
• Binomialkoeffizienten lassen sich besonders anschaulich am

sogenannten Pascal‘schen Dreieck veranschaulichen. Beginnt (für
n=0 und n = 1) wie folgt:
n=0 1
n=1 1 1
• Jede weiter Zeile beginnt und endet mit einer 1, jedes weitere
(innere) Element bestimmt sich aus der Summe der unmittelbar
darüber liegenden Elemente. Es ergibt sich:

233
Binomialkoeffizienten III
n=0 1 Beginnen sie bei „Null“

n=1 1 1 zu zählen und zählen sie
von oben nach unten die
n=2 1 2 1
n und von links nach
n=3 1 3 3 1 rechts die k, so steht
n=4 1 4 6 4 1 steht z.B.
n=5 1 5 10 10 5 1
n=6 1 6 15 20 15 6 1 7
  = 35
n=7 1 7 21 35 35 21 7 1  4
n=8 1 8 28 56 70 56 28 8 1 Genau an dieser Stelle.
n=9 1 9 36 84 126 126 84 36 9 1
… …

234
Fundamentalprinzip der Kombinatorik I
• Wenn ein Sachverhalt auf n1 und ein zweiter Sachverhalt

unabhängig davon (!) auf n2 Arten, so ist die Gesamtzahl der
Möglichkeiten, gleichzeitig beide Sachverhalte zu erfüllen, gerade
gleich dem Produkt n1·n2.
• Beispiel 1: Wenn es für einen Job drei geeignete Kandidaten gibt
und für einen anderen 7, so gibt es insgesamt 21 Möglichkeiten, die
Stelle zu besetzen.
• Dies ist auf k Sachverhalte und jeweils nk unabhängige Erfüllungen
zu erweitern. Die Anzahl der Möglichkeiten T ergibt sich als:
T = n1 ⋅ n2 ⋅ ... ⋅ nk
• Sollten sich die k Sachverhalte auf genau gleich viele Arten n
erfüllen lassen, ergibt sich:
T = nk

235
Fundamentalprinzip der Kombinatorik II
• Aufgabe: Überlegen Sie, wie viele Autokennzeichen die Stadt

Mönchengladbach vergeben kann, wenn 1) mindestens 1 Buchstabe
und 2) bis zu drei Ziffern nach dem „MG“ vergeben werden; wobei
die „000“ nicht vergeben werden soll.
• Lösung: Es gibt (mit der Möglichkeit der Auslassung) 27

Möglichkeiten für den ersten Buchstaben und 26 Möglichkeiten für
den zweiten Buchstaben; schließlich gibt es drei mal 10
Möglichkeiten für Ziffern, insgesamt also
27 · 26 · 10 · 10 · 10 = 702000
Da die „000“ Zahlenfolge nicht vergeben werden soll, ergeben sich
eigentlich 27 · 26 · 999 = 701298 Möglichkeiten. Das sollte bei etwa
255.000 Einwohnern reichen.

236
Fundamentalprinzip der Kombinatorik III
• Aufgabe: Es werden ein vierseitiger, ein sechsseitiger, ein

zehnseitiger und ein zwanzigseitiger Würfel gleichzeitig geworfen.
Wie viele verschiedene Ergebnisse können auftreten?
• Lösung: 4 · 6 · 10 · 20 = 4800

237
PERMUTATIONEN UND KOMBINATIONEN

238
Permutationen I
• Gegeben sei eine Menge mit n Elementen, jede geordnete

Zusammenstellung aller (!) dieser Elemente heißt eine Permutation
dieser n Elemente.
• Bei der Berechnung der Anzahl der möglichen Permutationen (im
folgenden P) ist zu beachten, ob die Elemente unterscheidbar sind
oder nicht.
• Sind alle n Elemente unterscheidbar, so gilt
P = n!
• Sind nicht alle Elemente unterscheidbar, so werden m Klassen mit
jeweils gleichartigen Elementen gebildet. Die jeweilige Anzahl der
nicht unterscheidbaren Elemente sei nm. Es gilt:
n!
P=
n1!⋅n2!⋅...nm!

239
Permutationen II
• Der erste Fall ergibt sich als Spezialfall des zweiten, da dann in jeder
Gruppe m nur ein Element ist (sie sind ja alle unterscheidbar), gilt:
n! n!
P= = = n!
1!⋅1!⋅...1! 1
• Beispiel: Die Anzahl der Permutationen der n=9 Buchstaben des

Wortes STATISTIK beträgt:
9!
P= = 15120
2!⋅3!⋅1!⋅2!⋅1!
• Es gibt den Buchstaben S insgesamt zweimal, den Buchstaben T
dreimal usw.

240
Permutationen III
• Aufgabe: Sie besitzen 12 Hemden, von denen 4 blau und 3 weiß

sind. Die Hemden einer Farbe sind ansonsten ununterscheidbar.
Wie viele mögliche Reihenfolgen gibt es, die Hemden in den
Schrank zu hängen?
• Lösung:
12! 479001600
P= = = 3326400
4!⋅3! 24 ⋅ 6

241
Kombinationen I
• Gegeben sei eine Menge mit n verschiedenen Elementen. Jede

Zusammenstellung von k Elementen daraus heißt Kombination k-ter
Ordnung dieser Elemente.
• Wiederum müssen wir zwei Fälle unterscheiden:
– Entweder die Reihenfolge (Anordnung) der Elemente ist bedeutsam,
dann wird von Variationen bzw. Kombinationen mit Berücksichtigung
der Anordnung gesprochen;
– oder die Reihenfolge (Anordnung) ist nicht von Bedeutung, dann
sprechen wir von Kombinationen ohne Berücksichtigung der
Anordnung.

242
Kombinationen II – mit Berücksichtigung der Anordnung
• Die Anzahl der möglichen Kombinationen k-ter Ordnung (V) aus n

Elementen mit Berücksichtigung der Anordnung beträgt:
n!
V=
( n − k )!
• Beachte: Alle Permutationen können als Spezialfall von
Kombinationen angesehen werden; sie sind im Grunde
Kombinationen n-ter Ordnung von n Elementen.
• Beispiel: Wenn bei einem olympischen Wettbewerb 8 Läufer
antreten, so gibt es
8!
V= = 336
(8 − 3)!
unterschiedliche Kombinationen für Gold, Silber und Bronze.

243
Kombinationen III – ohne Berücksichtigung der Anordnung
• Die Anzahl der möglichen Kombinationen k-ter Ordnung (C) aus n

Elementen ohne Berücksichtigung der Anordnung beträgt:
n n!
C =   =
 k  k! ( n − k )!
• Natürlich ist die Anzahl kleiner als die Anzahl bei den Variationen.
Das wird durch k! im Nenner deutlich.
• (fast schon klassisches) Beispiel: Wie viele Möglichkeiten gibt es im
Lotto zu tippen (6 aus 49).
 49  49! 49 ⋅ 48 ⋅ 47 ⋅ 46 ⋅ 45 ⋅ 44
C =   = = = 13983816
 6  6! ( 49 − 6)! 1⋅ 2 ⋅ 3 ⋅ 4 ⋅ 5 ⋅ 6
aber nur eine Kombination gewinnt!

244
Übung Kombinatorik I
• Aufgabe: Bei der als Texas hold‘em bezeichneten Variante des

Pokerspiels werden in der ersten Runde jedem Spieler 2 Karten aus
einem Kartensatz von 52 unterschiedlichen Karten ausgeteilt. Diese
werden als Starthand bezeichnet. Wie viele unterschiedliche
Starthände gibt es?
• Lösung:
 52  52! 52 ⋅ 51
C =   = = = 1326
 2  2! (52 − 2)! 2

245
Übung Kombinatorik II
• Aufgabe: Bei der als Texas hold‘em bezeichneten Variante des

Pokerspiels werden dann in der zweiten Runde 3 Karten offen auf
den Tisch gelegt. Diese werden als Flop bezeichnet. Wie viele
unterschiedliche Flops gibt es, wenn Sie beachten, dass Sie bereits 2
Karten auf der Hand halten?
• Lösung:
 50  50! 50 ⋅ 49 ⋅ 48
C =   = = = 19600
 3  3! (50 − 3)! 2⋅3

246
Übung Kombinatorik III
• Aufgabe: Wenn Sie 3 Runden spielen, wie viele unterschiedliche

Möglichkeiten für 3 Starthände können Sie haben?
• Lösung:
T = 13263 = 2331473976

247
Übung Kombinatorik IV
• Aufgabe: Sie haben, um Ihre Spieleinsätze anzuzeigen, zwei Arten

von roten Jetons (mit dem Gegenwert 0.20 € und 0.40€), zwei Arten
von blauen Jetons (mit dem Gegenwert 0.50€ und 1€) und drei
Arten von grünen Jetons (mit den Gegenwert 2€, 5€ und 10€). Also
insgesamt 7 Arten von Jetons. Sie wollen die Jetons in einer Reihe
vor sich aufbauen, wie viele Möglichkeiten haben Sie, wenn Sie
– A) vom Gegenwert der Jetons als Sortierkriterium ausgehen?
– B) von der Farbe der Jetons ausgehen (dabei aber die
unterschiedlichen Gegenwerte beibehalten) ?
• Lösung: A : P = 7! = 5040
7! 5040 5040
B:P = = = = 210
2!⋅2!⋅3! 2 ⋅ 2 ⋅ 6 2 ⋅ 2 ⋅ 6

248
Zusammenfassung
Möglichkeiten k Sachverhalte auf n Arten zu

erfüllen T = n1 ⋅ n2 ⋅ ... ⋅ nk
Bitte auf die Bedeutung von n,m und k im jeweiligen Kontext achten!
alle Elemente P = n!
unterscheidbar
Permutationen
nicht alle Elemente n!
P=
unterscheidbar n1!⋅n2!⋅...nm!
mit Berücksichtigung n!
V=
der Anordnung ( n − k )!
Kombinationen
ohne n n!
Berücksichtigung der C =   =
Anordnung  k  k! ( n − k )!

249
EREIGNISSE, EREIGNISRAUM UND EREIGNISMENGE

250
Zufallsexperimente und Elementarereignisse
• Ausgangspunkt der Wahrscheinlichkeitsrechnung ist der Begriff des

Zufallsexperiments.
• Ein Zufallsexperiment ist beliebig oft wiederholbar, wird nach einer
ganz bestimmten Vorschrift ausgeführt und das Ergebnis ist (vor der
Durchführung) ungewiss und nur nach der Durchführung
beobachtbar.
• Beispiel: Münz- oder Würfelwurf, Ziehen einer Karte, Drehen eines
Glücksrades, Entnahme einer (Zufalls)Stichprobe usw.
• Die einzelnen, nicht mehr zerlegbaren und sich gegenseitig
ausschließenden Ergebnisse eines Zufallsexperiments heißen
Elementarereignisse.

251
Ereignisraum oder Stichprobenraum
• Die Menge Ω aller Elementarereignisse eines Zufallsexperiments

wird als Ereignisraum oder Stichprobenraum des
Zufallsexperiments bezeichnet.
• Beispiel: Beim Wurf einer Münze ist Ω = {Kopf, Zahl}
• Eine Darstellung mit ei als Elementarereignissen der Form
Ω = {e1, e2, …, em, …} ist nur bei endlichen Mengen oder unendlich
abzählbaren Mengen möglich. Es gibt auch kontinuierliche
Ereignisräume, die unendlich groß sind.
• Beispiel: Es wird eine Nadel auf ein liniertes Papier geworfen und
der Winkel α zu der Linie bestimmt. Der Ereignisraum ist:
Ω = {α | 0 ≤ α < 180}

252
Mengentheoretische Definition von Ereignis und Ereignismenge
• Ein zufälliges Ereignis A ist eine Teilmenge des Ereignisraums Ω. Das

Ereignis A ist eingetreten, wenn das Ergebnis des
Zufallsexperiments ein Element dieser Teilmenge ist.
• Alle Ereignisse eines Zufallsexperiments mit dem Ereignisraum Ω
bilden die dazugehörige Ereignismenge E(Ω).
• Zwei besondere Teilmengen von Ω müssen in E(Ω) enthalten sein:
– 1. Der Ereignisraum selbst als das sogenannte sichere Ereignis
Ω⊂Ω
– 2. Die leere Menge als das sogenannte unmögliche Ereignis
∅⊂Ω

253
DAS RECHNEN MIT EREIGNISSEN

254
Das Rechnen mit Ereignissen I
• Da Ereignisse als Mengen definiert sind, können alle in der

Mengenlehre verwendeten Begrifflichkeiten, Notationen und
Operationen auf Ereignisse übertragen werden. (Deshalb wurde die
Mengenlehre hier eingeführt bzw. wiederholt).
• Konkret heißt dies, dass es folgende Operationen für Ereignisse
gibt:
– Negation
– Vereinigung
– Durchschnitt
– Differenz

255
Das Rechnen mit Ereignissen II
• Ereignisse, die nicht gleichzeitig eintreten können, werden als

disjunkt bezeichnet. Elementarereignisse sind (per definitionem)
paarweise disjunkt.
• Zu jedem Ereignis lässt sich das komplementäre Ereignis bilden. Das
zu A komplementäre Ereignis tritt genau dann ein, wenn A nicht
eintritt.
• Außerdem muss gelten:
A∩ A = ∅ A= A
A∪ A = Ω Ω = ∅ ∅ = Ω
• Wenn ein Ereignis A immer dann eintritt, wenn ein Ereignis B
eintritt, so impliziert das Ereignis B das Ereignis A. Dann gilt:
B impliziert A⇔ B⊂ A

256
KLASSISCHE, STATISTISCHE UND SUBJEKTIVE WAHRSCHEINLICHKEITEN

257
Von Ereignissen zu Wahrscheinlichkeiten
• Da die Ergebnisse eines Zufallsexperiments können nicht

vorhergesagt werden, Ihnen können aber Wahrscheinlichkeiten
zugeordnet werden. Dazu wird jedem Element von E(Ω) mittels
einer Funktion P(A) (genau) eine reelle Zahl (i.d.R.) zwischen 0 und
1 zugeordnet. Für das sichere Ereignis ist P = 1 für das unmögliche
Ereignis ist P = 0.
• Die Wahrscheinlichkeit P(A) ist ein Maß der zur Quantifizierung des
Grades an Gewissheit, mit dem das Eintreten des Ereignisses A
bewertet wird.

258
Klassische Wahrscheinlichkeiten I
• Wie wird nun einem Ereignis A ein reeller Wert P(A) zugeordnet?
• Eine Möglichkeit geht auf das sogenannte Laplace-Experiment
zurück. Ein Laplace-Experiment ist ein Zufallsexperiment mit endlich
vielen gleichwahrscheinlichen Elementarereignissen.
• Dazu wird P(A) wie folgt definiert
Anzahl der günstigen Ausgänge (für A)
P( A) :=
Anzahl aller möglichen Ausgänge
• Beispiel: Ein sechsseitiger Würfel wird geworfen, wie groß ist die
Wahrscheinlichkeit, dass eine „1“ oder eine „6“ gewürfelt wird?
2 1
P( A) = =
6 3

259
Klassische Wahrscheinlichkeiten II
• Häufig haben die Elementarereignisse nicht die gleiche
Eintrittswahrscheinlichkeit. Dann muss der Ereignisraum
umdefiniert werden, bis die Voraussetzung erfüllt ist.
• Beispiel: Es werden zwei sechsseitige Würfel geworfen, wie
wahrscheinlich ist eine Augensumme von genau 3?
• Zunächst einmal muss ein geeigneter Ereignisraum gefunden
werden. Die Ereignismenge Ω = {2,3,4,5,6,7,8,9,10,11,12}, der die
Augensummen aufzählt ist offensichtlich nicht geeignet, da alle
Elemente unterschiedliche Eintrittswahrscheinlichkeiten haben.
• Besser ist es alle 36 Kombinationsmöglichkeiten als Ereignismenge
zu nutzen: Ω = {1:1,1:2,1:3,1:4,1:5,1:6; 2:1,2:2,2:3,2:4,2:5,2:6;
3:1,3:2,3:3,3:4,3:5,3:6; 4:1,4:2,4:3,4:4,4:5,4:6;
5:1,5:2,5:3,5:4,5:5,5:6; 6:1,6:2,6:3,6:4,6:5,6:6}. Jetzt haben wir die
Voraussetzungen eines Laplace-Experiments erfüllt.

260
Klassische Wahrscheinlichkeiten III

• Nun müssen die Kombinationen mit der Augensumme drei
ausgewählt werden es sind nur zwei A={1:2;2:1}.
• Es ergibt sich:
2
P( A) = = 0.05
36
• Diese Bestimmung von Wahrscheinlichkeiten wird als klassischer
Wahrscheinlichkeitsbegriff bezeichnet.
• Für komplexere Sachverhalten ist die Definition der
gleichwahrscheinlichen Elementarereignisse nicht immer einfach.
• Außerdem ist das Kernproblem, eine geeignete Zuordnung zu
finden nicht gelöst, denn genau genommen wird Wahrscheinlichkeit
definiert, indem auf gleichwahrscheinliche Zustände
zurückgegriffen wird, was nicht sehr befriedigend ist.

261
Übung klassische Wahrscheinlichkeit
• Aufgabe: Sie wissen bereits dass es bei der als Texas hold‘em
bezeichneten Variante des Pokerspiels 1326 Starthände gibt. Wie
wahrscheinlich ist, dass Sie in der ersten Runde zwei Asse erhalten?
• Lösung:
– Alle Starthände sind gleichwahrscheinlich
– Wie viele Möglichkeiten für zwei Asse gibt es?
– 6 Möglichkeiten!
6
P( zwei Asse) = ≈ 0.0045
1326

262
Statistische Wahrscheinlichkeiten I
• So praktisch dieser klassische Wahrscheinlichkeitsbegriff für

einfache Sachverhalte ist, er hilft kaum bei Fragen wie: Wie groß ist
die Wahrscheinlichkeit, dass ein 30-jähriger Mensch in den
nächsten zwei Jahren eine Gehaltserhöhung bekommt.
• Deshalb gibt es ein zweite Möglichkeit für die Bestimmung von
Wahrscheinlichkeiten (die Zuordnung eines reellen Wertes P(A) zu
einem Ereignis A), die sogenannte statistische Wahrscheinlichkeit.
• Dazu wird das Zufallsexperiment n-mal durchgeführt und es werden
die absoluten Häufigkeiten eines jeden Ereignis A, die als Hn(A)
bezeichnet werden, notiert. Dann werden die relativen Häufigkeiten
der Ergebnisse hn(A) mit Hn(A) / n errechnet.

263
Statistische Wahrscheinlichkeiten II
• Die relative Häufigkeit hn(A) des Ereignis A hat einen Grenzwert, der
bei unendlich häufiger Durchführung des Zufallsexperiments
eintritt. Dieser Grenzwert wird als statistische Wahrscheinlichkeit
bezeichnet.
P(A) = lim hn ( A)
n →∞
• Die obige Konvergenz der relativen Häufigkeit wird als Gesetz der
großen Zahl bezeichnet. Auf diesem Prinzip gründet die gesamte
schließende Statistik (auch wenn noch niemand unendlich oft
gewürfelt hat).

264
Beispiel zur Bestimmung statistischer Wahrscheinlichkeiten
• Es werden zwei sechsseitige Würfel geworfen und die Augensumme

gebildet. Es ergibt sich nach 100, 500, 2000 und 100000 Versuchen
jeweils:
• Die Konvergenz ist deutlich ersichtlich.
.2
.2
.15
.15
Density
Density
.1
.1
.05
.05
0
2 4 6 8 10 12 2 4 6 8 10 12
Augensumme bei 100 Augensumme bei 500
.2
.2
.15
.15
Density
Density
.1
.1
.05
.05
0
2 4 6 8 10 12 2 4 6 8 10 12
Augensumme bei 2000 Augensumme bei 100000

265
Statistische Wahrscheinlichkeiten III
• Statistische Wahrscheinlichkeiten beruhen also auf der Anzahl der

Wiederholungen eines Experimentes. Sie haben den großen Vorteil
auch den nutzbar zu sein, wenn keine gleichwahrscheinlichen
Elementarereignisse bekannt bzw. bestimmbar sind.
• Außerdem beruhen Sie nicht auf einem definitorischen Zirkelschluss
sondern auf empirischer Erfahrung und sind für eine Vielzahl von
Anwendungsfeldern bestimmbar.
• Allerdings gibt es auch Experimente, die nicht häufig durchgeführt
werden können (oder sollten). Oder einmalige Ereignisse. Hier ist
die Bestimmung klassischer oder statistischer Wahrscheinlichkeiten
sehr schwierig.

266
Subjektive Wahrscheinlichkeiten
• Sowohl der klassische als auch der statistische

Wahrscheinlichkeitsbegriff, versuchen eine objektive Bedeutung für
Wahrscheinlichkeit zu definieren.
• Zusätzlich gibt es noch die Bestimmung der subjektiven
Wahrscheinlichkeit, bei der als Maß das persönliche Vertrauen
eines Individuums oder einer Gruppe von Individuen herangezogen
wird. Eine Möglichkeit ist den Individuen Wetten anzubieten und
aus den Wettquoten die Wahrscheinlichkeiten zu bestimmen.
• Wir vernachlässigen dies im Folgenden weitestgehend.

267
Übersicht zu den Wahrscheinlichkeitsbegriffen
Klassische (theoretische) statistische subjektive

Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit
Schließende Statistik
Wahrscheinlichkeitsrechnung Deskriptive Statistik nicht weiter behandelt

(theoretische Prüfverteilung) (empirische Verteilung) („Risikopräferenzmessung“)

268
Zusammenfassung I
Nach einer bestimmten Vorschrift ausgeführtes, beliebig oft wiederholbares Experiment mit (ex ante)
Zufallsexperiment ungewissem Ausgang, dessen Ergebnisse (ex post) beobachtbar sind.
Einzelne, nicht mehr zerlegbare und sich gegenseitig ausschließende Ergebnisse eines
Elementarereignis Zufallsexperiments.
Ereignisraum Menge aller Elementarereignisse
(zufälliges) Ereignis Teilmenge des Ereignisraums.
Alle Ereignisse eines Zufallsexperiments mit einem Ereignisraum. Immer enthalten: die leere Menge
Ereignismenge und das sichere Ereignis (der Ereignisraum selber).
Wahrscheinlichkeit Maß des Grades an Gewissheit für das Eintreten eines Ereignisses

269
Zusammenfassung II
Laplace-Experiment Zufallsexperiment mit endlich vielen gleichwahrscheinlichen Elementarereignissen
klassische Zuordnung von Wahrscheinlichkeiten auf Basis von Laplace-Experimenten durch den Quotienten aus
Wahrscheinlichkeit günstigen Ereignissen und allen gleichwahrscheinlichen Ereignissen
statistische Grenzwert der relativen Häufigkeit eines Ereignisses bei unendlich häufiger Durchführung eines
Wahrscheinlichkeit Zufallsexperiments.
subjektive
Maß des persönlichen Vertrauens für den Eintritt eines Ereignisses.
Wahrscheinlichkeit

270
WICHTIGE RECHENREGELN DER WAHRSCHEINLICHKEITSRECHNUNG

271
Wichtige Rechenregeln der Wahrscheinlichkeitsrechnung I
• Im vorigen Abschnitt haben wir dem Ereignis A einen reellen Wert

P(A) – die Wahrscheinlichkeit – zugeordnet. Es ist leicht ersichtlich,
dass gelten muss:
P ( A) ≥ 0 ∀A ∈ E
P (Ω) = 1
• D.h. das die Wahrscheinlichkeit ist eine nichtnegative reelle Zahl
und das sicherer Ereignis hat die Wahrscheinlichkeit 1.
• Auf Basis der Mengenlehre kann noch der sogenannte
Additionssatz für beliebige Ereignisse abgeleitet werden:
P( A ∪ B ) = P( A) + P( B ) − P( A ∩ B ) wenn A∩ B ≠ ∅
P( A ∪ B ) = P( A) + P( B ) wenn A∩ B = ∅

272
Beispiele zum Additionssatz I
• Sei das Ereignis, beim Roulette eine rote Zahl zu bekommen mit R
bezeichnet. Aus der klassischen Bestimmung von
Wahrscheinlichkeiten wissen wir, dass die P(R) = 18/37 beträgt (Es
gibt 37 Felder!). Dasselbe gilt für das Ereignis eine schwarze Zahl zu
bekommen, dessen Wahrscheinlichkeit als P(S) bezeichnet wird.
• Da niemals eine rote und schwarze Zahl zugleich fällt, gilt
R∩S =∅
• Die Wahrscheinlichkeit das entweder R oder S eintritt (logische
Disjunktion) beträgt demnach
36
P( R ∪ S ) = P( R ) + P( S ) = ≈ 0.9729
37

273
Beispiele zum Additionssatz II
• Sei das Ereignis, beim Roulette eine rote Zahl zu bekommen wieder
mit R bezeichnet. Das Ereignis eine Zahl von 1 bis 12 zu als Ergebnis
zu erhalten sei mit A bezeichnet. Es gilt P(R) = 18/37 und P(A) =
12/37.
• Da bei den ersten 12 Zahlen auch rote enthalten sind, gilt
R ∩A ≠ ∅
• Um die Wahrscheinlichkeit zu bestimmen das entweder R oder A
eintritt (logische Disjunktion), muss
P( R ∪ A) = P( R ) + P( A) − P( R ∩ A)
bestimmt werden.

274
Beispiele zum Additionssatz III
• Dazu muss die Anzahl der roten Zahlen im Bereich 1 bis 12

bestimmt werden. Es sind 6. Deshalb gilt:
6
P( R ∩ A) =
37
• Nun kann die Wahrscheinlichkeit das entweder
R oder A eintritt bestimmt werden:
P ( R ∪ A) = P ( R ) + P ( A) − P ( R ∩ A)
18 12 6 24
= + − = ≈ 0.6486
37 37 37 37

275
Wichtige Rechenregeln der Wahrscheinlichkeitsrechnung II
• Für komplementäre Ereignisse gilt:

P( A) = 1 − P( A)
• Für das unmögliche bzw. sichere Ereignis gilt:
P (∅ ) = 0 P ( Ω ) = 1
• Mit der letzten Formulierung kann der Additionssatz für beliebige
Ereignisse vereinfacht werden (da die Vereinigung disjunkter
Ereignisse das unmögliche Ereignis ergeben):
P( A ∪ B ) = P( A) + P( B ) − P ( A ∩ B )
• Für die Wahrscheinlichkeit von Schnittmengen gilt (Achtung: nur für
unabhängige Ereignisse): P( A ∩ B ) = P( A) ⋅ P( B )
• Für die Differenzmenge gilt:
P( A \ B ) = P( A) − P( A ∩ B )

276
Wichtige Rechenregeln der Wahrscheinlichkeitsrechnung II
• Impliziert das Ereignis A das Ereignis B, dann ist die

Wahrscheinlichkeit von B niemals kleiner als die von A.
A ⊂ B ⇒ P( A) ≤ P( B )
• Diese Rechenregeln bilden die Grundlage der

Wahrscheinlichkeitsrechnung. Sie werden hier nicht hergeleitet
oder bewiesen, sondern nur genutzt. Weiterführende Aspekte
werden nur für bestimmte Zielgruppen in den Modulen 2.3 & 2.4
eingeführt.
• Bei der Anwendung ist es wichtig, dass die Fragestellung genau
überlegt wird. Nur dann keine Berechnung von
Wahrscheinlichkeiten gelingen. Der richtige Gedankengang ist
wichtig!

277
Übung zur Wahrscheinlichkeitsrechnung I
• Wie hoch ist die Wahrscheinlichkeit beim Roulette weder eine Zahl
zwischen 1 bis 12 noch eine rote Zahl zu bekommen?
P( A) = 1 − P( A)
24 13
⇒1− = ≈ 0.3513
37 37
• Nur mit der Lösung aus der vorigen Aufgabe so bestimmbar.

278
Übung zur Wahrscheinlichkeitsrechnung II
• Eine alte viermotorige Propellermaschine hat zwei Motoren auf

jeder Seite des Flugzeugs. Die Motoren seien baugleich und haben
eine (voneinander unabhängige) Ausfallwahrscheinlichkeit von 10%.
Solang auf jeder Seite des Flugzeugs mindestens ein Motor
funktioniert, stürzt das Flugzeug nicht ab. Wie wahrscheinlich ist ein
(motorenbedingter) Absturz?
• Die Lösung ist etwas kniffelig! Und es gibt viele
Lösungswege.
• Zunächst einmal sollte die Absturzbedingung aufgestellt werden:
Sie lautet: Sobald zwei Motoren auf einer Seite ausfallen oder alle
Motoren ausfallen, stürzt das Flugzeug ab.

279
Übung zur Wahrscheinlichkeitsrechnung III
• Für die Ereignisse Motorenausfall nutzen wir die Notation M1, M2,
M3 und M4, wobei M1 und M2 auf einer Seite des Flugzeugs sind
und M3 und M4 auf der anderen.
• Die Wahrscheinlichkeit eines Motorausfalls beider Motoren auf
einer Seite kann bestimmt werden durch:
P( M 1 ∩ M 2 ) = P( M 1 ) ⋅ P( M 2 ) = 0.1 ⋅ 0.1 = 0.01
P( M 3 ∩ M 4 ) = P( M 3 ) ⋅ P( M 4 ) = 0.1 ⋅ 0.1 = 0.01
• Das Ereignis „beide Motoren auf der linken Seite fallen aus“, sei als
L bezeichnet und das „beide Motoren auf der rechten Seite fallen
aus“ sei als R bezeichnet. Es gilt P(L) = P(R) = 0.01. Es gilt:
P ( L ∪ R ) = P ( L) + P ( R ) − P ( L ∩ R )
= 0.01 + 0.01 − (0.01 ⋅ 0.01)
= 0.0199
280
Übung zur Wahrscheinlichkeitsrechnung IV
• Alternativer Lösungsweg: Das Flugzeug stürzt nicht ab, wenn

mindestens ein Motor auf jeder Seite funktioniert! Es gilt für die
Wahrscheinlichkeit, dass ein Motor funktioniert 1-P(Ausfall) also
0.9. Für die Ereignisse „Motor funktioniert“ nutzen wir die Notation
M1, M2, M3 und M4, wobei wiederum M1 und M2 auf einer Seite des
Flugzeugs sind und M3 und M4 auf der anderen.
• Das Ereignis „mindestens ein Motor auf der linken
Seite funktioniert“ wird als L bezeichnet, das Ereignis
mindestens ein Motor auf der rechten Seite funktioniert als R. Es
ergibt sich:
P( L) = P( M 1 ∪ M 2 ) = 0.9 + 0.9 − (0.9 ⋅ 0.9) = 0.99
P( R ) = P( M 3 ∪ M 4 ) = 0.9 + 0.9 − (0.9 ⋅ 0.9) = 0.99

281
Übung zur Wahrscheinlichkeitsrechnung V
• Wenn beide Bedingungen L und R erfüllt sind, stürzt das Flugzeug

nicht ab.
P( L ∩ R ) = 0.99 ⋅ 0.99 = 0.9801
• Das komplementäre Ereignis ist der Absturz

P( L ∩ R ) = 1 − P( L ∩ R ) = 0.0199

282
Hinweise zum Umgang mit Aufgaben
• Es wurde bereits erwähnt, dass die richtige Lösung von Aufgaben

aus der Wahrscheinlichkeitsrechnung nur gelingen kann, wenn die
zu Grund liegende Aufgabenstellung genau analysiert wird.
• Wichtige Wörter sind mindestens, höchsten, genau (dann), und,
(entweder) oder, usw.
• Nur dann können Sie Ereignisse definieren, deren
Wahrscheinlichkeiten sie mittels der Rechenregeln verknüpfen
können.
• Üben Sie das!

283
BEDINGTE UND TOTALE WAHRSCHEINLICHKEITEN

UND DAS BAYES-THEOREM

284
Bedingte Wahrscheinlichkeiten I
• Bei der Anwendung der Wahrscheinlichkeitsrechnung auf

praktische Probleme gilt es häufig Zusatzinformationen zu nutzen.
• Einfache Beispiele:
• Wie hoch ist die Wahrscheinlichkeit, beim zweifachen Wurf eines
sechsseitigen Würfels genau die Augensumme 3 zu erhalten, wenn
der erste der Würfel eine 1 zeigt? Dann muss der andere Würfel
eine 2 zeigen, somit ist die Wahrscheinlichkeit mit dieser
Zusatzinformation 1/6 und damit gegenüber 2/36 (ohne diese
Zusatzinformation) gestiegen.
• Würde bekannt sein, dass die nächste Zahl beim Roulette eine rote
ist, so ist die Wahrscheinlichkeit, dass es sich um die 13 handelt
exakt Null, denn die 13 ist schwarz.

285
Bedingte Wahrscheinlichkeiten II
• Seien A und B zwei Ereignisse so ist die bedingte

Wahrscheinlichkeit von A unter B für P(B)>0 definiert als:
P( A ∩ B )
P( A | B ) :=
P( B )
• Für das Beispiel mit dem zweifachen Würfelwurf und dem bilden
der Augensumme unter der Bedingung, dass der erste Würfel eine
1 zeigt ergibt sich:
P( Augensumme = 3 ∩ erste Würfel = 1)
P( Augensumme = 3 | erste Würfel = 1) =
P(erste Würfel = 1)
1
1 6 1
= 36 = ⋅ =
1 36 1 6
6

286
Bedingte Wahrscheinlichkeiten III
• Mit dieser Definition kann der Multiplikationssatz (den Sie bis jetzt
nur für unabhängige Ereignisse kennen) erweitert werden. Es gilt
für alle Ereignisse:
P( A ∩ B ) = P( A) ⋅ P( B | A)
• Zwei Ereignisse A und B heißen (stochastisch) unabhängig, wenn

gilt:
P( A | B ) = P( A) es gilt dann auch P( B | A) = P( B )
• Die zweite in die erste Form eingesetzt ergibt den

Multiplikationssatz für stochastisch unabhängige Ereignisse, den
Sie schon kennen. P( A ∩ B ) = P( A) ⋅ P( B )

287
Bedingte Wahrscheinlichkeiten III
• Es ist sehr wichtig sich klarzumachen, dass

P( A ∩ B ) = P( A) ⋅ P( B | A) ≠ P( B ∩ A) = P( B ) ⋅ P( A | B )
• Beispiel (aus Dubben/Beck-Bornholdt 2013): Angenommen Sie

könnten sich an einer fiktiven Krankheit mit dem Namen
„Bellsucht“ angesteckt haben. Ihr Arzt macht einen Test und klärt
Sie auf:
– Der Test erkennt Infizierte mit einer Wahrscheinlichkeit von 99%.
– Der Test erkennt Nicht-Infizierte mit einer Wahrscheinlichkeit von 98%
– Bellsucht tritt bei etwa jedem 1000. Patienten auf und ist ansonsten
symptomfrei
• Ihr Testergebnis ist positiv. Mit welcher Wahrscheinlichkeit sind sie
bellsüchtig?

288
Bedingte Wahrscheinlichkeiten IV
• Zunächst raten Sie bitte, wie hoch die Wahrscheinlichkeit ist:

99% 98% ca. 95% ca. 50% ca. 5% 2% 1%
• Gegeben ist: P( B | A) = 0.99 für die A infiziert

P( B | A) = 0.98 Ereignisse A nicht infiziert
1
P( A) = B Test positiv
1000
B Test negativ
daraus folgt auch wegen der Komplementarität
P( B | A) = 0.02
P( B | A) = 0.01
P( A) = 0.999

289
Bedingte Wahrscheinlichkeiten V
• Gesucht ist:
P( A ∩ B )
P( A | B ) =
P( B )
• Zunächst ein Zahlenbeispiel für 100100 Personen:

Personen Test positiv Test negativ
infiziert 100 99 1
nicht infiziert 100.000 2.000 98.000
Summe 100.100 2.099 98.001
• Nur 99 Personen, von 2099 Personen die einen positiven Test

haben, sind auch infiziert (rd. 4,72%)!

290
Bedingte Wahrscheinlichkeiten VI
• Gesucht ist:
P( A ∩ B ) 0.00099
P( A | B ) = = ≈ 0.0472
P( B ) 0.02097
• denn die Wahrscheinlichkeit einen positiven Test zu haben ist

P( B ) = P( B | A) + P( B | A) = P( A) ⋅ P( B | A) + P( A) ⋅ P( B | A)
1 999
= ⋅ 0.99 + ⋅ 0.02 = 0.02097
1000 1000
• und die Wahrscheinlichkeit einen positiven Test zu haben und
infiziert zu sein ist 0.99
P( A ∩ B ) = P( A) ⋅ P( B ) = = 0.00099
1000

291
Bedingte Wahrscheinlichkeiten VII
• Es ist sehr wichtig sich klarzumachen, dass

P( A ∩ B ) = P( A) ⋅ P( B | A) ≠ P( B ∩ A) = P( B ) ⋅ P( A | B )
• An dem Beispiel ist ersichtlich, dass eine 99%-ige

Wahrscheinlichkeit einen Infizierten zu erkennen noch nichts über
die Wahrscheinlichkeit einer Infektion bei einem positiven Test
aussagt.

292
Totale Wahrscheinlichkeit I
• Mit totaler Wahrscheinlichkeit soll der Gegensatz zur bedingten

Wahrscheinlichkeit ausgedrückt werden. Der Begriff ist nützlich, da
häufig in der Realität nur bedingte Wahrscheinlichkeiten bekannt
sind und hieraus totale Wahrscheinlichkeiten berechnet werden
können.
• Bei der Übung mit der „Bellsucht“ wurde dies auch schon genutzt:
Dort wurde die Wahrscheinlichkeit eines positiven Tests (B)
abgeleitet aus zwei bedingten Wahrscheinlichkeiten
P( B ) = P( B | A) + P( B | A) = P( A) ⋅ P( B | A) + P( A) ⋅ P( B | A)
• Diese Überlegung hat funktioniert, da die Ereignisse A und dessen
Komplement alle Möglichkeiten (infiziert und nicht-infiziert)
abdecken und die beiden bedingten Wahrscheinlichkeiten bekannt
waren.

293
Totale Wahrscheinlichkeit II
• Diese Idee werden wir jetzt verallgemeinern

• Seien B1, B2, …,Bn beliebige n Ereignisse, die sich a) gegenseitig
ausschließen und b) gemeinsam alle möglichen Ereignisse des
Zufallsexperiments (die denkbar sind) abdecken, dann gilt für jedes
Ereignis A desselben Zufallsexperiments:
n
P( A) = ∑ P( A | Bi ) ⋅ P( Bi )
i =1

294
Bayes-Theorem I
• Das Bayes-Theorem beschäftigt sich mit der Verbindung von

bedingten Wahrscheinlichkeiten, bei denen die Rolle von Bedingung
und Ereignis vertauscht sind.
• Für zwei Ereignisse A und B also:
P( A | B ) und P( B | A)
• Bekannt ist ferner:
P( A ∩ B ) = P( A) ⋅ P( B | A) = P( B ) ⋅ ( A | B )
• Daraus folgt unmittelbar:
P( A) ⋅ P( B | A)
P( A | B ) =
P( B )

295
Bayes-Theorem II
• Seien A1, A2, …,An beliebige n Ereignisse, die sich a) gegenseitig

ausschließen und b) gemeinsam alle möglichen Ereignisse des
Zufallsexperiments (die denkbar sind) abdecken. Ferner sei B ein
Ereignis mit P(B) > 0, dann gilt für jedes Ereignis Ai das Bayes-
Theorem:
P( B | Ai ) ⋅ P( Ai )
P( Ai | B ) = n
∑ P( B | A ) ⋅ P( A )
i =1
i i

296
PROBLEME MIT DEM INTUITIVEN VERSTÄNDNIS DER

WAHRSCHEINLICHKEITSRECHNUNG

297
Einführung: Das Ziegenproblem I
• Angenommen Sie sind Kandidat in einer Fernsehshow. Sie haben

die Wahl zwischen drei verschlossenen Türen. Sie wissen, dass sich
hinter einer Tür der Gewinn – sagen wir ein Auto – befindet und
hinter zwei Türen Ziegen (Nieten, kein Gewinn). Sie sollen eine Tür
wählen. Nachdem Sie eine Tür gewählt haben, öffnet der
Moderator eine zufällig (und mit gleicher Wahrscheinlichkeit
ausgewählte) andere Tür – dahinter befindet sich eine Ziege. Der
Moderator bietet Ihnen an, die Tür zu wechseln. Wie hoch ist die
Wahrscheinlichkeit, dass Sie gewinnen, wenn Sie wechseln?
E Ü Mathematische Grundlagen der

298
Einführung: Das Ziegenproblem II
• Die Lösung ist mit Hilfe des Bayes-Theorems zu bestimmen. Als

Ereignisse können definiert werden:
– G1 – der Gewinn ist hinter der ersten Tür
– G2 – der Gewinn ist hinter der zweiten Tür
– G3 – der Gewinn ist hinter der dritten Tür
– M1 – der Moderator öffnet die ersten Tür
– M2 – der Moderator öffnet die zweite Tür
– M3 – der Moderator öffnet die dritte Tür
• Da wir die Position des Autos (und der Ziegen) nicht kennen, gehen
wir davon aus, dass o.B.d.A. der Kandidat die erste Tür wählt und
der Moderator die zweite Tür öffnet (für alle anderen Situation gilt
nachfolgendes analog).

299
Einführung: Das Ziegenproblem II
• Gesucht ist die Gewinnwahrscheinlichkeit bei einem Wechsel also

die bedingte Wahrscheinlichkeit, dass das Auto hinter der dritten
Tür ist.
P(G3 | M 2 )
• Bekannt ist:
1
P(G1 ) = P(G2 ) = P(G3 ) =
3
1
P( M 2 | G1 ) =
2
P( M 2 | G2 ) = 0
P( M 2 | G3 ) = 1

300
Einführung: Das Ziegenproblem III
• Mit dem Bayes-Theorem ergibt sich:
P( M 2 | G3 ) ⋅ P(G3 )
P(G3 | M 2 ) =
P( M 2 | G1 ) ⋅ P(G1 ) + P( M 2 | G2 ) ⋅ P(G2 ) + P( M 2 | G3 ) ⋅ P(G3 )
1
1⋅
3 1 6 2
= = ⋅ =
1 1 1 1 3 3 3
⋅ + 0 ⋅ + 1⋅
2 3 3 3
• Die Wahrscheinlichkeit erhöht sich also gegenüber der

Ausgangssituation!

301
Der Umgang mit Wahrscheinlichkeiten ist häufig „kontraintuitiv“ I
• Die Verknüpfung von Wahrscheinlichkeiten fällt vielen Menschen

sehr schwer, da die dahinterliegende Systematik ihnen unbekannt
sind und die einfache Rechenregeln der
Wahrscheinlichkeitsrechnung häufig mit „normalen“ arithmetische
Operationen verwechselt werden.
• Weiterhin sind in der Realität fast immer nur bedingte
Wahrscheinlichkeiten und unvollständige Informationen bekannt. Es
wird aber häufig die Logik des Bayes-Theorems vernachlässigt. Die
Bestimmung totaler Wahrscheinlichkeiten aus einer Reihe
gegebener bedingter Wahrscheinlichkeiten ist z.T. äußerst
kompliziert.

302
Der Umgang mit Wahrscheinlichkeiten ist häufig „kontraintuitiv“ II
• Allgemein ist das Konzept des „Zufalls“ (also von ex ante

unvorhersehbaren Ausgängen), für Menschen deshalb schwer
zugänglich, da sie „Regeln und Strukturen“ suchen.
• So ist z.B. die Vorstellung von Zufallsexperimenten bei den meisten
Menschen (fälschlicherweise) irgendwie mit dem Adjektiv
„gleichmäßig“ verknüpft.
Beispiel: Sie backen einen Kuchen und rühren zufällig 20
Schokoladenlinsen in den Teig. Anschließend schneiden sie den
Kuchen in 20 Stücke. Wie verteilen sich die Schokoladenlinsen auf die
einzelnen Stücke?
Die meisten Menschen glauben, dass sie eine Linse pro Stück zu
erwarten hätten, obwohl dies nur 1 von 43099804 möglichen
Verteilungen ist.

303
Der Umgang mit Wahrscheinlichkeiten ist häufig „kontraintuitiv“ III
• Schließlich werden die unterschiedlichen Begriffsverständnisse der

(klassischen, statistischen und subjektiven) sehr häufig verwechselt
und im falschen Kontext genutzt.
Beispiel: „Linda ist 24 Jahre alt, hat einen Hund, ist Vegetarierin und
hilft in Ihrer Freizeit freiwillig in einem Tierheim aus. Was ist
wahrscheinlicher?:
a) Linda arbeitet bei der Sparkasse oder
b) Linda arbeitet bei der Sparkasse und ist Mitglied bei Greenpeace
• Deshalb sollten Sie bei der Beschäftigung mit

Wahrscheinlichkeitsrechnung und Statistik stets auch einfach
erscheinende Sachverhalte kritisch hinterfragen. Vielleicht täuscht
sie Ihre Intention!

304
SELF ASSESSMENT IV (KOMBINATORIK UND

WAHRSCHEINLICHKEITSRECHNUNG)

305


306
self assessment IV (1)
• Errechnen Sie (ohne Taschenrechner):
Sie finden in einem Dorf 5 (Ihnen

5! = = 120 unbekannte) Haustürschlüssel. Sie sehen
insgesamt 10 Häuser mit je einer Haustür.
 5 Wie viele Schlüssel-Schloss-
  = = 10
 3 Kombinationen können Sie maximal
ausprobieren?
 20 
  = = 190 = 50
 18 

307
• Wie viele unterschiedliche Buchstabenkombinationen können Sie

aus den Buchstaben des Wortes „Allee“ bilden?
= 30
• Angenommen Sie wissen, dass die Wahrscheinlichkeit eines

Anrufs Ihrer Mutter bei 40% pro Tag liegt. Davon unabhängig
haben Sie mit der Wahrscheinlichkeit von 25% am Tag
überraschenden Besuch. Wie hoch ist die Wahrscheinlichkeit, das
innerhalb eines Tages Ihre Mutter anruft und Sie überraschend
Besuch haben?
= 10%

308
• Angenommen Sie wissen, dass die Wahrscheinlichkeit eines

Anrufs Ihrer Mutter bei 40% pro Tag liegt. Davon unabhängig
haben Sie mit der Wahrscheinlichkeit von 25% am Tag Besuch.
Wie hoch ist die Wahrscheinlichkeit, das innerhalb eines Tages
Ihre Mutter anruft oder Sie überraschend Besuch haben?
= 55%

309
• Angenommen Sie glauben nicht mehr an die These, dass die

Anrufwahrscheinlichkeit Ihrer Mutter unabhängig von Ihrem
Besuch ist. Sie wissen nur, dass Sie mit der Wahrscheinlichkeit von
25% am Tag Besuch bekommen und Sie wissen, dass Ihre Mutter
mit 80%iger Wahrscheinlichkeit genau dann anruft, wenn Sie
Besuch haben . Wie hoch ist jetzt die Wahrscheinlichkeit, das
innerhalb eines Tages Ihre Mutter anruft und Sie überraschend
Besuch haben?
= 20%

310
self assessment IV - Auswertung
– gute Kenntnisse
• Über 9 Punkte:


311
GRUNDBEGRIFFE DES STATISTIK UND DATENANALYSE I

312
WAS IST STATISTIK?

313
Statistik I
• Die meisten Menschen verstehen unter Statistik die Sammlung und

Darstellung von Fakten, Daten und Zahlen. Im Alltag stehen wir
häufig „Statistiken“ gegenüber (in den Medien, beim Arzt usw.)
• Wer in der Schule mit Statistik konfrontiert wurde, der weiß auch
um die vielfältigen mathematischen Inhalte (meist in der Form von
Wahrscheinlichkeitsrechnungen). Häufig ist dies mit dem
griechischen (Ober-)Begriff „Stochastik“ (Kunst des Vermutens)
abgespeichert.
• Statistik hat häufig einen „schlechten Ruf“:
– „Traue keiner Statistik, die du nicht selbst gefälscht hast“
(unklar, häufig Winston Churchill zugesprochen)
– „Es gibt drei Arten von Lügen: Lügen, infame Lügen und Statistiken“
(Benjamin Disraeli)

314
Statistik II
Was ist Statistik denn nun?

• Statistik als wissenschaftliche Disziplin, ist die Lehre von den
Methoden zum Umgang mit quantitativen Informationen (Daten).
• Statistik ist also die Wissenschaft vom Sammeln, Aufbereiten,
Darstellen, Analysieren und Interpretieren von Fakten und Zahlen.
Welche wichtigen Teilgebiete gibt es?

• Deskriptive Statistik (beschreibende Statistik)
• Explorative Statistik
• Schließende Statistik (Inferentielle Statistik, Induktive Statistik)
• Mathematische Basis: Wahrscheinlichkeitsrechnung

315
Statistik III
Deskriptive Explorative Analytische

Statistik Statistik Statistik
• Datenerhebung • Mustererkennung • Rückschlüsse auf

• Datensichtung • Hypothesen- Grundgesamtheit
• Darstellung formulierung • Hypothesentest
• Auswertung
Kombinatorik und Wahrscheinlichkeitsrechnung

316
STATISTISCHE EINHEITEN (MERKMALSTRÄGER) UND

GRUNDGESAMTHEIT

317
Statistische Einheiten (Merkmalsträger) und Grundgesamtheit I

• Statistische Einheiten sind Objekte, deren Merkmale bei der
statistischen Untersuchung von Interesse sind. Sie werden
beobachtet, befragt oder ge- bzw. vermessen.
• Statistische Einheiten sind die Träger der Informationen
(Merkmale), die analysiert werden sollen und heißen deshalb
Merkmalsträger.
• Beispiele: Personen, Haushalte, Unternehmen, Produkte, Länder,
Handlungen usw.
• In der Statistik werden immer Aussagen zu einer Menge

gleichartiger statistischer Einheiten getroffen. Um festzustellen, ob
die Merkmalsträger „gleichartig“ sind, werden in der Regel
Identifikationskriterien (IK) angegeben.
• Der einzelne Merkmalsträger ist nicht interessant!

318
Statistische Einheiten (Merkmalsträger) und Grundgesamtheit II
• Die Grundgesamtheit Ω ist die Menge aller in Frage kommenden /

zu untersuchenden statistischen Einheiten über die eine Aussage
gemacht werden soll.
• Synonyme: statistische Masse, Population, Kollektiv
• Die Anzahl der Elemente n(Ω) der Grundgesamtheit wird als
Umfang bezeichnet.
• Formal ausgedrückt:
Bezeichne ω die statistische Einheit und seien IK die
Identifikationskriterien, so heißt die Menge Ω aller ω
Grundgesamtheit für die gilt Ω := {ω | ω erfüllt IK}

319
MERKMALE, MERKMALSAUSPRÄGUNGEN UND STATISTISCHE

VARIABLEN

320
Merkmale, Merkmalsausprägungen und statistische Variablen
• Statistik beschäftigt sich nicht mit den statistischen Merkmalen ω

selbst, sondern mit Ihren Eigenschaften, die Merkmalen M(ω)
genannt werden.
• Unterscheidbare Erscheinungsformen eines Merkmals heißen
(Merkmals)Ausprägungen.
• Werden statistischen Einheiten ω oder ihren Merkmalen M(ω)
reelle Zahlen zugeordnet, so wird dies als statistische Variable
bezeichnet.
• Typischerweise werden Merkmale mit großen lateinischen
Buchstaben X, Y usw. und die einzelnen Merkmalsausprägungen mit
kleinen lateinischen Buchstaben x1, x2, usw dargestellt

321
TEILGESAMTHEITEN UND STICHPROBEN(ARTEN)

322
Teilgesamtheiten und Stichproben
• Werden alle (interessierenden) Merkmalsträger einer

Grundgesamtheit untersucht, so wird dies Vollerhebung bzw.
Totalerhebung genannt.
• In der Regel ist dies nicht möglich bzw. sehr aufwendig.
• Deshalb werden häufig nur Teilgesamtheiten Ω* analysiert. Wenn
bei der Bestimmung der Teilgesamtheit der Zufall eine
(maßgebliche) Rolle spielt (wird noch erläutert), heißen die
Teilgesamtheiten Stichproben.

323
Auswahlverfahren / Stichprobenpläne in der Grundstruktur
nicht
Zufallsauswahl zufallsgesteuerte
Auswahlverfahren
einfache komplexe willkürliche bewusste Auswahl

(typische Fälle,
Zufallsauswahl Zufallsauswahl Auswahl Konzentrationsprinzip)
reine Klumpen-
Zufallsauswahl stichprobe
systematische geschichtete Quoten-Auswahl

Zufallsauswahl Stichprobe
mehrstufige
Stichprobe

324
Stichproben I
• Zufallsstichprobe (random sampling):
– Die resultierende Stichprobe ist eine richtige Zufallsstichprobe, wenn
sie aus nachvollziehbar zufällig und unabhängig von einander
ausgewählten Fällen besteht.
• reine Zufallsauswahl: alle Merkmalsträger werden zufällig ausgewählt
• systematische Zufallsauswahl: nur der erste Merkmalsträger wird zufällig
ausgewählt – alle anderen anhand einer festgelegten Systematik
– Nachvollziehbar zufällig (Zufallsgenerator)
– Vorteil von Zufallsverfahren: Manche Verzerrungseffekte können
ausgeschlossen werden
• Zufallsstichprobe aus einer Teilgesamtheit:
– Anhand einer Zufallsstichprobe aus der Grundgesamtheit kann man
für eine Teilgesamtheit oder Gruppe die entsprechende Teilstichprobe
auswählen.
– Diese stellt in der Regel wieder eine Zufallsstichprobe aus der
Teilgesamtheit dar.

325
Stichproben II
• geschichtete Stichprobe (stratified sampling)
– Strukturierung der Grundgesamtheit nach (Schichtungs-)Merkmalen,
von denen bekannt ist, dass sie mit dem untersuchten Merkmal
korrelieren und die beobachtbar sind.
– Die endgültige Stichprobe besteht aus (homogenen) Teilstichproben
aus den einzelnen (Populations-)Schichten (also aus Teilgesamtheiten)
jeweils als Zufallsstichprobe entnommen werden.
– mehrere Schichtungsmerkmale sind kombinierbar, aber der Aufwand
steigt:
Wenn zur Schichtung nur das Merkmal Geschlecht genutzt wird, so muss nur
sichergestellt werden, dass in der Stichprobe etwa gleich viele Männer und Frauen
vorhanden sind. Wenn aber zusätzlich noch das Alter in fünf Stufen und das Einkommen
in fünf Stufen als Merkmal hinzugezogen werden sollen, so ergeben sich schon 50
Kombinationen von Merkmalen, hinsichtlich derer die Befragten jeweils (!) ausreichend
repräsentiert sein müssen. Eine Stichprobe wird also umso größer, je mehr Merkmale
die Schichtung bestimmen und je unterschiedlicher diese Merkmale in der
Grundgesamtheit verteilt sind.

326
Stichproben III
• Quotenauswahl (quota sampling):

– Ist eine praktische Alternative zu Zufallsstichproben aller Art
– Auswahl anhand eines „Quotenplans“
– Insbesondere für Umfragen mit Hilfe von Interviewern.
– Bei der Quotenauswahl ist der Interviewer gehalten, eine bestimmte
Anzahl von Stichprobenfällen zu sammeln.
– Als einzige Bedingung gelten vorgegebene Anteile, nach denen die
verschiedenen Ausprägungen einiger „Quotenvariablen“ (z.B.
Geschlecht, Altersklasse) vertreten sind.

327
Stichproben VI
• Klumpenstichprobe (cluster sampling)

– Zusammengesetzt aus mehreren „Klumpen“ – also Teilgesamtheiten
(cluster) – bei denen jeweils eine Vollerhebung durchgeführt wird.
– Vorteil: Keine Informationen über die gesamte Grundgesamtheit nötig.
• mehrstufige Stichprobe:
– Der Stichprobenplan wird nicht direkt auf die letzten Merkmalträger
angewendet.
– Häufig mehrere Auswahlebenen.

328
Selection Bias / Stichprobenverzerrung

• Häufig gibt es durch das Auswahl/Stichprobenverfahren bedingt
eine systematische Verzerrung gegenüber der Grundgesamtheit.
Diese Stichprobenverzerrungen werden selection bias genannt.
• Beispiele:
– Nur erfolgreiche Unternehmen antworten auf einen Fragebogen zum
Unternehmenserfolg
– Nur Menschen, die sich selber als intelligent einschätzen, nehmen an
einem Intelligenztest teil
– Bei Produktstichproben im Produktionsprozess werden nur leicht
zugängliche Produkte „gezogen“
– Bei einer Studentenstichprobe werden nur „Bekannte und Freunde“
gefragt (sog. convenience sampling).
• Die resultierende Verzerrung kann zu erheblichen Problemen und
falschen Informationen bei der Datenauswertung führen.

329
Nochmals eine Übersicht häufig angewendeter Stichprobenpläne
Stichproben
Grundgesamtheit Vollerhebung (Auschnitte aus der
Grundgesamtheit)
bewusste Auswahl „typischer“ Fälle
Schneeballsystem
Convenience -Sampling
Zufallsstichprobe
(Random-Sampling)
geschichtete Stichprobe
(Stratified-Sampling)

330
Zufallsstichprobe vs. repräsentative Stichprobe

Eine sehr populäre Anekdote der empirischen Sozialforschung verdeutlicht die
Bedeutung und den Gedanken der Repräsentativität von Stichproben: Bei der
amerikanischen Präsidentschaftswahl 1936 trat der Amtsinhaber F.D. Roosevelt
gegen A. Landon an. Die Zeitschrift "Literary Digest" hatte 10 Millionen Amerikaner,
deren Adressen überwiegend aus Telefonbüchern stammten, zu ihren
Wahlabsichten befragt. Mit 2,4 Millionen Antworten wurde eine extrem große Stich-
probe gewonnen und "Literary Digest" prognostizierte mit 43% dem Amtsinhaber
einen Wahlverlust. G. Gallup, ein amerikanischer Meinungsforscher, sagte im selben
Jahr auf Basis von Angaben von nur 2000 Befragten, die aber hinsichtlich der
Merkmale Geschlecht, Herkunft, Urbanität und Bildung repräsentativ ausgewählt
wurden, dem Amtsinhaber einen klaren Sieg (56%) voraus und kam dem
tatsächlichen Ergebnis von 62% damit deutlich näher. Der Grund hierfür ist einfach:
Die "Literary Digest"-Prognose hatte sich überwiegend an reichere Bevölkerungs-
schichten gewendet, da die Adressaten aus Telefonbüchern gewonnen wurden und
Telefone im Jahr 1936 noch vergleichsweise teure Güter waren. Die mangelnde
externe Validität der "Literary Digest"-Umfrage führte trotz des erheblichen
Stichprobenumfangs zu einer systematischen Verzerrung. Dieses konnte Gallup
einfach auffangen, indem er eine Vorselektion der Befragten nutzte – also eine
repräsentative Stichprobe bildete. Ein weiterer Grund war, dass die Rücklaufquote
wiederum zugunsten der reicheren Bevölkerungsschichten verzerrt war, da diese
überproportional häufig antworteten.
(Vgl. z.B.: Freedman, D./Pisani, R./Purves, R.: Statistics, 4th edition, Norton, 2007.)
P E Mathematische Grundlagen der

331
MERKMALSTYPEN, SKALEN UND SKALENNIVEAUS

332
Merkmalstypen
• Daten lassen sich in unterschiedliche Merkmalstypen unterteilen.
– Wenn sich die Merkmalsausprägungen des untersuchten Merkmals
nicht in Zahlen ausdrücken lassen, so wird von qualitativen Merkmalen
gesprochen.
– Wenn sich die Merkmalsausprägungen durch Zahlen ausdrücken
lassen, so wird von quantitativen Merkmalen gesprochen.
• Quantitative Merkmale werden noch unterschieden in diskrete oder
stetige bzw. kontinuierliche Merkmale:
– Diskrete Merkmale können nur bestimmt abgestufte Merkmale als
Ausprägung haben
– Stetige bzw. kontinuierliche Merkmale können alle Zwischenwerte
annehmen sie werden als reelle Zahlen ausgedrückt.
• Häufig werden in der Realität fein abgestufte diskrete Merkmale als
quasi-stetig behandelt.

333
Skalen und Skalenniveaus I
• Merkmale und ihre statistischen Variablen können auch nach dem

Niveau ihrer Messbarkeit eingeteilt werden. Diese Einteilung hat
eine Auswirkung auf die Anwendbarkeit statistischer
Auswertungen.
– Nominalskala: Die Ausprägungen eines nominalskalierten Merkmals
können nicht geordnet werden. Die Merkmalsausprägungen können in
beliebiger Reihenfolge aufgestellt werden, da sie gleichwertig sind. Die
Abstände zwischen den Merkmalsausprägungen lassen sich nicht
sinnvoll interpretieren (Beispiel: Farben).
– Ordinalskala: Hier besteht zwischen den Merkmalsausprägungen eine
bestimmte, natürliche bzw. sinnvolle Reihenfolge. Die Abstände
zwischen den Merkmalsausprägungen sind nicht sinnvoll
interpretierbar (Beispiel: Schulnoten).

334
Skalen und Skalenniveaus II

– Kardinalskala bzw. metrische Skala: Hier besteht zwischen den
Merkmalsausprägungen eine bestimmte, natürliche bzw. sinnvolle
Reihenfolge. Die Abstände zwischen den Merkmalsausprägungen sind
zudem messbar und sinnvoll interpretierbar. Die metrisch skalierten
Merkmale können noch weiter unterteilt werden in:
– Intervallskalen: Es sind nur Differenzenbildungen zwischen den
Merkmalsausprägungen zulässig. Somit sind die Abstände vergleichbar
(Beispiel: Temperatur in Grad Celsius).
– Verhältnisskala: Es existiert zusätzlich ein natürlicher Nullpunkt. Die
Bildung eines Quotienten ist zulässig und Verhältnisse somit
interpretierbar (Beispiel: Einkommen)

335
Beispiel für die Begrifflichkeiten
Statistische Einheit(en): Einwohner eines Landes

Zu untersuchende Merkmale: Geburtsort (G), Schulabschluss (S), Einkommen (E)
Grundgesamtheit: Bevölkerung der Bundesrepublik
Stichprobe: Anzahl zufällig ausgewählter Passanten
Geburtsort: qualitativ / nominal

Schulabschluss: qualitativ / ordinal
Einkommen: quantitativ / kardinal
Merkmalsausprägungen: g1 = Aachen, g2 = Berlin usw.

s1 = mittlere Reife, s2 = Abitur usw.
e1= 45.654,56, e1= 22.563,52 usw.
V P Z Mathematische Grundlagen der

336
Zusammenfassung I
Statistik als wissenschaftliche Disziplin, ist die Lehre von den Methoden zum Umgang mit
Statistik quantitativen Informationen (Daten).
Statistische Einheit Statistische Einheiten bzw. Merkmalsträger sind Objekte, deren Merkmale bei der statistischen
Merkmalsträger Untersuchung von Interesse sind.
Die Grundgesamtheit Ω ist die Menge aller in Frage kommenden / zu untersuchenden statistischen
Grundgesamtheit Einheiten über die eine Aussage gemacht werden soll.
Merkmale Die Eigenschaften der statistischen Einheiten werden Merkmale genannt.
Merkmalsausprägung Unterscheidbare Erscheinungsformen eines Merkmals heißen (Merkmals)Ausprägungen.
Statistische Variable Bezeichnet die Zuordnung von (reellen) Zahlen zu den Merkmalsausprägungen

337
Zusammenfassung II
Vollerhebung Werden alle (interessierenden) Merkmalsträger einer Grundgesamtheit untersucht, so wird dies
Totalerhebung Vollerhebung bzw. Totalerhebung genannt.
Teilgesamtheit
(Jede) Teilmenge der Grundgesamtheit
Auswahl
Teilmenge der Grundgesamtheit, bei deren Bestimmung der Zufall eine maßgebliche Rolle spielt. (Zu
Stichprobe Stichprobenarten vgl. Übersichtsfolie)
Durch das Auswahl/Stichprobenverfahren bedingte, systematische Verzerrung gegenüber der

selection bias Grundgesamtheit
qualitativ Merkmalsausprägungen lassen sich nicht in Zahlen ausdrücken
Merkmalstypen I abgestufte
diskret
Merkmalsausprägungen lassen Ausprägungen
quantitativ sich durch Zahlen ausdrücken stetig können Zwischenwerte
kontinuierlich annehmen

338
Zusammenfassung III
Die Ausprägungen eines nominalskalierten Merkmals können nicht geordnet

nominal werden und die Abstände zwischen den Merkmalsausprägungen lassen sich
nicht sinnvoll interpretieren
Es besteht zwischen den Merkmalsausprägungen eine bestimmte, natürliche

ordinal bzw. sinnvolle Reihenfolge. Die Abstände zwischen den Merkmalsausprägungen
sind nicht sinnvoll interpretierbar
Merkmalstypen II Nur Differenzen

Es besteht zwischen den zwischen den
Merkmalsausprägungen eine Intervallskala
Merkmals-
bestimmte, natürliche bzw. ausprägungen zulässig
kardinal sinnvolle Reihenfolge. Die
metrisch Abstände zwischen den Natürlicher Nullpunkt.
Merkmalsausprägungen sind Quotienten sind
zudem messbar und sinnvoll Verhältnisskala zulässig und
interpretierbar. Verhältnisse
interpretierbar

339
GRUNDBEGRIFFE DER STATISTIK UND DATENANALYSE II

340
ARTEN DER DATENERHEBUNG, INSB. BEFRAGUNGEN

341
Arten der Datenerhebung
• Um die konkreten Merkmalsausprägung einzelner Merkmalsträger

für statistische Untersuchungen zur Verfügung haben, müssen sie
erhoben werden.
• Erhebungen sind also alle Formen der Feststellung der
Merkmalsausprägung von Merkmalen bei den Merkmalsträgern.
• Erhebung ist ein Sammelbegriff für
– Beobachtungen,
– Messungen und
– Befragungen (sehr häufig in der Wirtschaftswissenschaft).

342
Grundtechniken der Befragung
Datenerhebung
Messen Beobachten Befragen
(fern)mündlich schriftlich / postalisch elektronisch
mit Rückfragemöglichkeit ohne Rückfragemöglichkeit
mehrstufig
einstufig
Pre-Test, Itembildung, Nacherhebung
… … geschlossene Fragen offene Fragen
direkte Fragen indirekte Fragen
normale Einleitungs- oder Filter- Puffer- Folge-

Kontrollfrage
Frage Überleitungsfrage frage frage frage
standardisiert teil-standardisiert nicht-standardisiert

343
Grundregeln der Frageformulierung
• Die Art der Fragestellung ist extrem untersuchungsabhängig. Es gibt

aber ein paar wichtige Grundregeln:
– Grundsätzlich sollte (möglichst) einfach gefragt werden
– Es sollte ein einheitlicher Bezugsrahmen geschaffen werden, da die
Daten i.d.R. dazu dienen, mehrere Beobachtungen miteinander zu
vergleichen.
– Der Genauigkeitsgrad der Antwort steht oftmals im Konflikt mit der
Anforderung nach einfachen Fragen und ist genau festzulegen.
– Der Befragte sollte nicht überfordert werden
– Die Fragen sollten nicht suggestiv sein
– Die Fragen sollten i.d.R. thematisch im Fragebogen sortiert werden
(Fragebatterien). Nur im Einzelfall können nicht thematisch sortierte
Fragbögen sinnvoll sein (Kontrollfragen, Einstellungserhebungen).

344
Art der Antwort(möglichkeit)
Fragetyp Skala typische Formulierung Antwortmöglichkeiten
offene Frage Erläutern Sie..., Beschreiben Sie... Freitext
geschlossene Frage
kardinal Geben Sie ... an Zahl, Tabelle ausfüllen
(ohne neutrale Antwort)
ordinal Geben Sie ... an, Bewerten Sie... () sehr gut () gut () befriedigend ...
nominal Geben Sie ... an () x () y () z ...
geschlossene Frage
kardinal Geben Sie ... an Zahl, Tabelle ausfüllen und () k.A.
(mit neutraler Antwort)
ordinal Geben Sie ... an, Bewerten Sie... () sehr gut () gut () befriedigend ... () k.A.
nominal Geben Sie ... an () x () y () z ... () k.A.
Filter- oder Folgefragen Wenn Sie ... dann, Falls Sie ... dann keine, Verweis auf weitere Frage

345
Komplexität der Antwort(möglichkeit)
• Bei ordninalen (und z.T. auch nominalen) Antwortmöglichkeiten gibt

es immer wieder die Frage, welche Komplexität angenommen
werden kann.
• 5 bis 11 Antwortmöglichkeiten gelten als möglich. Ab einer Zahl von
7 Alternativen, verlangt der Fragebogen recht viel vom Befragten.
• Ob eine gerade oder ungerade Anzahl von Skalenabstufungen
gewählt werden soll hängt von der Fragestellung ab. Mit geraden
Skalenabstufungen kann der „Tendenz zur mittleren Antwort“
entgegengewirkt werden.

346
Response Bias / Verzerrungen durch das Antwortverhalten
• Häufig verzerrt das Antwortverhalten der Befragten die

Untersuchungsergebnisse und gibt nicht die eigentlich
interessierende Merkmalsausprägung wider. Diese Verzerrung wird
response bias genannt
• Beispiele:
– Befragte Manager neigen bei der Antwort zu einer Darstellung höherer
Erfolge, wenn sie befürchten, die Antworten werden im Unternehmen
von weiteren Personen gelesen.
– Kaum valide Antworten gibt es auf die Frage nach Straftaten oder
sozial unerwünschtem Verhalten (Abschreiben in der Klausur,
Seitensprünge, Drogenkonsum usw.). Dann neigen die Befragten zu
sozial erwünschtem (und nicht zu wahrem) Antwortverhalten
– Häufig antworten Befragte, die nicht motiviert sind mit mittleren
Werten. Dafür nutzen sehr involvierte Personen häufig Extremwerte.

347
KONSTRUKTE, VARIABLEN, DATEN UND DATENMATRIX

348
Konstrukte, Variablen, Daten und Datenmatrix I
• Statistische Variablen sind zunächst einmal nur die in (reellen)

Zahlen ausgedrückten Merkmalsausprägungen.
• Sie werden genutzt, um die zughörigen Merkmale auf theoretisch
vorher (!) bestimmte Zusammenhänge, Unterschiede oder
dergleichen zu untersuchen.
• In den Sozialwissenschaften (und mithin in der
Wirtschaftswissenschaft) werden häufig theoretische Konstrukte
genutzt, um diese Zusammenhänge, Unterschiede usw. zu
formulieren. Sie sind nicht direkt beobachtbar.
– Beispiel Konstrukte: Intelligenz, Einkommen
– Beispiel für Zusammenhänge: Die Intelligenz hat einen Einfluss auf das
Einkommen

349
Konstrukte, Variablen, Daten und Datenmatrix II
• Diese theoretischen Konstrukte werden dann in einem formalen

Modell als (mathematische) Variable formuliert, um für statistische
Untersuchungen zugänglich zu sein. Achtung: dies ist ein anderer
Variablen-Begriff als der der statistischen Variablen bisher!
• Erst dann werden mögliche Formen der Messung der
(Modell)Variablen erarbeitet (Operationalisierung). Anschließend
werden in einer Erhebung die konkret realisierten
Merkmalsausprägung der Teilgesamtheit / Stichprobe erfasst. Dies
sind die Daten!
• In der statistischen Theorie wird eine Matrix aller Merkmalsträger
samt ihrer konkret erhobenen Merkmalsausprägungen als Urliste
bezeichnet. Etwas technischer kann von der Datenmatrix
gesprochen werden.

350
Beispiele Urliste / Datenmatrix
• Abstrakte Formulierung
Elemente Merkmalsausprägung 1 … Merkmalsausprägung m
X Y
ω1 x1 … y1
… … … …
ωn xn … yn
• Konkretes Beispiel
Einwohner Geburtsort Schulabschluss Einkommen
G S E
… … … …
Person 1 Aachen Mittlere Reife 45.654,56
Person 2 Berlin Abitur 22.563,52
… … … …

351
Ausschnitt einer echten Datenmatrix (SOEP)

352
Latente Variablen / Proxy-Variablen

• Konstrukte werden häufig auch als latente Variablen bezeichnet, die
empirisch nicht direkt messbar sind. Latente Variablen werden
deshalb aus anderen – direkt messbaren Variablen –
zusammengesetzt (konstruiert).
• Latente Variable können entweder so aufgefasst werden, als ob sie
aus direkt beobachtbaren Variablen zusammengesetzt werden kann
(formatives Messmodell) oder sie können so interpretiert werden,
dass die direkt beobachtbaren Variablen Ausdruck der latenten
Variable sind (reflexives Messmodell). Diese Unterscheidung macht
einen erheblichen Unterschied bei der Interpretation der
Kausalitätsbeziehungen!
• Latenten Variablen können durch sogenannte Proxy-Variablen
ersetzt werden. Diese „repräsentieren“ dann die latente Variable im
Schätzmodell, weshalb eine statistische Auswertung überhaupt erst
möglich ist.

353
Beispielhafte Übersicht
Ebene Begriff Beispiel 1 Beispiel 2 Beispiel 3
Untersuchungsobjekt
oder Beobachtung („beobachtbares“) Merkmal Aufgabenlösung Bestellmenge Umsatz
Konstrukt
theoretisches Modell (nicht direkt beobachtbares Merkmal im Rahmen der zu Intelligenz Nachfragemacht Marktmacht
überprüfenden Theorie)
Variable
formales Modell (Repräsentant eines Merkmals in einem formalen Modell, welches x x x
grundsätzlich viele Werte annehmen kann)
Operationalisierung Mit Fragen zu

(Definition einer Abbildungsvorschrift. Dabei werden immer verschiedenen Mittels der
Mittels des Marktanteils
„Übersetzungsfehler“ gemacht, da ein Konstrukt per defintionem kognitiven Fähigkeiten Bestellmenge
nicht direkt beobachtbar ist) (IQ-Test)
Daten
Statistisches Modell (konkrete Ausprägungen von statistischen Variablen bei den 120, 80, ... 120, 80, ... 20%, 30%, ...
Untersuchungsobjekten)

354
LÄNGSSCHNITT-, QUERSCHNITT- UND PANELDATEN

355
Datenarten
Daten
Qualitative Daten Quantitative Daten

verbal durch Zahlen repräsentier(t)(bar)
binär diskret kontinuierlich
Primärdaten Sekundärdaten
selbst erhoben andere Quellen
Querschnittdaten Längsschnittdaten / Zeitreihen Paneldaten räumliche Datensätze

356
Querschnitts- und Längsschnittdaten (Zeitreihen)

• Daten von unterschiedlichen Merkmalsträgern, die sich (alle) auf einen
Zeitpunkt beziehen, werden Querschnittsdaten genannt.
Querschnittsdatensätze umfassen häufig viele Variablen.
• Daten von denselben Merkmalsträgern, die sich auf (aufeinanderfolgende)
Zeitpunkte beziehen heißen Längsschnittdaten (oder Zeitreihen).
Zeitreihen umfassen i.d.R. nur wenige Variablen.
Zeitreihen
Querschnittsdaten
Missings
Variable zum Zeitpunkt ...
Variable zum Zeitpunkt 1
Variable zum Zeitpunkt 2
Variable zum Zeitpunkt T

Variablen V
Fehlende Merkmals-
ausprägungen werden
Beobachtungen B
als missings bezeichnet

B

357
Paneldaten
• Paneldatensätze nutzen Daten von unterschiedliche

Merkmalsträger im Querschnitt, aber bei denselben
Merkmalsträger werden die Daten zu unterschiedliche Zeitpunkte
(erneut) erhoben. Paneldatensätze ohne missings werden als
„balanced“ bezeichnet.
balanced panel
Variablen V
1 unbalanced panel
2
Beobachtungen B
5
2010
...
2009
N 2008
2007

358
Zusammenfassung I
Ist die Beobachtung, Messung oder Befragung der Merkmalsausprägung von Merkmalen bei den
Erhebung Merkmalsträgern.
Durch das Antwortverhalten bedingte, systematische Verzerrung der Antworten gegenüber der
response bias eigentlichen Merkmalsausprägung.
Konstrukte
Nicht direkt beobachtbare, theoretische Elemente, die analysiert werden sollen
(latente Variable)
(mathematische)
Repräsentant des Konstruktes in einem formalen (mathematischen) Modell
Variable
Prozess der Übersetzung theoretischer Konstrukte bzw. Variablen in erhebbare

Operationalisierung Merkmalsausprägungen bzw. statistische Variablen.
Daten Konkret erhobenen Merkmalsausprägungen bei den Merkmalsträgern der Auswahl bzw. Stichprobe.

359
Zusammenfassung II
Urliste
Matrix aller erhobenen Merkmalsausprägung bei den Merkmalsträgern der Auswahl bzw. Stichprobe
Datenmatrix
Querschnittsdaten Daten von unterschiedlichen Merkmalsträgern, die sich (alle) auf einen Zeitpunkt beziehen.
Längsschnittdaten Daten von denselben Merkmalsträgern, die sich auf (aufeinanderfolgende) Zeitpunkte beziehen.
Zeitreihen Nutzung weniger Variablen.
Daten von denselben Merkmalsträgern, die sich auf (aufeinanderfolgende) Zeitpunkte beziehen und
Paneldaten gleichzeitig Nutzung vieler Variablen

360
SELF ASSESSMENT V (GRUNDLAGEN DER STATISTIK)

361

• Sie sollen lediglich ein Notizblatt bereitlegen.
Punkte. Wenn Sie die Lösung nicht bestimmen konnten, geben Sie
sich 0 Punkte.

362
self assessment V (1)
Bitte geben Sie die korrekte Antwort an:

• Dieser Kurs ist eine Auswahl der Studenten der HS Niederrhein!
X
a) ja b) nein
• Dieser Kurs ist eine Stichprobe der Studenten der HS Niederrhein!
a) ja Xb) nein
• Angenommen, Sie wären ein Merkmalsträger, dann ist das
Merkmal…
– …Alter a) nominal b) ordinal Xc) kardinal
– …Augenfarbe X nominal
a) b) ordinal c) kardinal
– …Matrikelnummer a) nominal Xb) ordinal c) kardinal
– …Gewicht a) nominal b) ordinal Xc) kardinal

363

• Angenommen, Sie wären ein Merkmalsträger, dann ist das
Merkmal…
– …Schuhgröße
a) qualitativ X quantitativ diskret
b) c) quantitativ stetig
– …Haarfarbe
X
a) qualitativ b) quantitativ diskret c) quantitativ stetig
– …Schulnote in Mathematik
a) qualitativ X quantitativ diskret c) quantitativ stetig
b)

364

• Die Nachfolgenden Merkmale besitzen alle kardinales
Skalenniveau. Geben Sie jeweils an, ob es sich um eine
Intervallskala oder eine Verhältnisskala handelt.
– Gewicht
a) Intervallskala Xb) Verhältnisskala
– Jahreszahl
X
a) Intervallskala b) Verhältnisskala
– Lebensdauer
a) Intervallskala X Verhältnisskala
b)

365
self assessment V - Auswertung
– gute Kenntnisse

– Sie müssen sich das nochmal anschauen, da Sie sonst Probleme mit
dem Verständnis der Veranstaltung bekommen können.

366
VON WAHRSCHEINLICHKEITEN ÜBER ZUFALLSVARIABLEN ZU

VERTEILUNGS- UND DICHTEFUNKTIONEN

367
Zufallsvariablen I
• Es wurde bereits der Begriff des Zufallsexperiments eingeführt, auf

den wir jetzt zurückkommen. Ein Zufallsexperiment ist ein, nach
einer bestimmten Vorschrift ausgeführtes, beliebig oft
wiederholbares Experiment mit (ex ante) ungewissem Ausgang,
dessen Ergebnisse (ex post) beobachtbar sind.
• Daneben wurden mit Hilfe klassischer, statistischer oder subjektiver
Wahrscheinlichkeiten den einzelnen Ereignissen
Wahrscheinlichkeiten zugordnet.
• Eine Funktion die jedem Elementarereignis e eine reelle Zahl X(e)
zuordnet wird als Zufallsvariable oder stochastische Variable
bezeichnet.1
1Für theoretisch Interessierte: Es gibt hier eigentlich noch die Einschränkung, dass zu jedem reellen r ein Ereignis A aus
Ω gehören muss mit Ar = {e: X(e) ≤ r}. Diese Einschränkung sichert formal die Eindeutigkeit bei der Definition der
Verteilungsfunktion. Wir ignorieren dies aber aus didaktischen Gründen.

368
Zufallsvariablen II
• Zufallsvariable werden meist mit großen lateinischen Buchstaben

am Ende des Alphabets bezeichnet (…X, Y, Z). Dies ist aber nur eine
gängige Konvention.
• Der konkrete Wert einer Variablen heißt Realisation.
• Eine Zufallsvariable heißt…
– …diskret, wenn es endlich viele Realisationen gibt
– …stetig, wenn zwischen zwei Realisationen, unendlich viele weitere
Realisationen liegen möglich sind, die nicht mehr zählbar sind
(überabzählbar unendlich viele).

369
Zufallsvariablen III
• Beispiel: Es werden zwei sechsseitige Würfel geworfen und die

Augensumme gebildet.
– Der gleichzeitige Würfelwurf zweier Würfel ist das Zufallsexperiment
– Es gibt 36 Elementarereignisse (6 · 6)
– Die Wahrscheinlichkeit für das Auftreten des Ereignisses, dass die
Augensumme genau 3 ist beträgt:
2
P( A) = = 0.05
36
– Die Bildung der Augensumme ist die betrachtete (diskrete)
Zufallsvariable, die aus den 36 Elementarereignissen 11 Werte macht.

370
Verteilungsfunktionen I
• Mithilfe der Wahrscheinlichkeiten kann die Wahrscheinlichkeit

definiert werden, dass die Zufallsvariable X irgend einen Wert
annimmt, der nicht größer als x ist. Oder formal:
P( X ≤ x )
• Manchmal findet sich auch etwas komplizierter ausgedrückt:
P( AX ) mit AX = {e | X ( e) ≤ x}
• Die Funktion F, die jeder reellen Zahl x die Wahrscheinlichkeit
zuordnet, mit der die Zufallsvariable X einen Wert X ≤ x annimmt,
heißt Verteilungsfunktion von X. Verteilungsfunktionen nehmen
nur Werte von 0 bis 1 an.2
2Für theoretisch Interessierte: Die Eigenschaften der Funktion (Monotonie, Stetigkeit und Grenzwerte) werden hier
nicht angesprochen, gehören aber zu einer theoretischen Definition dazu. Vgl. z.B. Schira 2012.

371
Verteilungsfunktionen II
• Für das Beispiel mit dem zweifachen werfen eines sechsseitigen

Würfels und dem Bilden der Augensumme (diskrete Zufallsvariable)
ergibt sich als Verteilungsfunktion:
F(x)

372
Verteilungsfunktionen III
• Für diskrete Zufallsvariablen hat die Verteilungsfunktion einen

„treppenförmigen“ Verlauf. Bei stetigen Zufallsvariablen steigt die
Verteilungsfunktion über den Wertebereich monoton und stetig an.
• In den Modulen 4.x lernen wir typische Verteilungsfunktionen
ausführlicher kennen.
• Verteilungsfunktionen veranschaulichen das stochastische
Verhalten von Zufallsvariablen manchmal aber nur unzureichend.
• Deshalb wird im Folgenden noch ein anderer „Typ“ von Funktionen
erläutert.

373
Massefunktionen
• Eine andere mögliche Darstellungsform stellt die Wahrscheinlichkeit

jeder Realisation einer Zufallsvariablen dar. Ein erster
Definitionsversuch:
• Sei X eine diskrete Zufallsvariable. Die Funktion f, die jeder
Realisation die Wahrscheinlichkeit zuordnet, mit der die
Zufallsvariable X genau den Wert x annimmt, heißt Massefunktion
von X.
• Für die Augensumme beim Wurf
zweier sechsseitiger Würfel ergibt
sich z.B. die nebenstehende
Massefunktion.

374
Dichtefunktionen I
• Für stetige Zufallsvariablen ist das Aufstellen einer Massenfunktion

aber problematisch, da die Anzahl der Realisationen per
definitionem unendlich groß ist. Damit müsste (nach dem
klassischen Wahrscheinlichkeitsbegriff für eine konkrete Realisation
x die das Auftreten mit 1/∞ = 0 kalkuliert werden. Damit ist keine
grafische Darstellung mehr möglich.
• Als Alternative wird die sogenannte Dichtefunktion f definiert. Mit
ihrer Hilfe kann ein Intervall von möglichen Realisationen der
Zufallsvariablen betrachtet werden und die Fläche unter der
Dichtefunktion entspricht den (kumulierten) Wahrscheinlichkeiten
für die im Intervall befindlichen Realisationen.
• Dies wird einfach erreicht, indem die erste Ableitung der
Verteilungsfunktion gebildet wird.

375
Dichtefunktionen II
• Sei X eine stetige Zufallsvariable mit der Verteilungsfunktion F(x),

so heißt die erste Ableitung von F nach x die Dichtefunktion von x.
dF ( x )
f ( x) =
dx
• Dies geht natürlich streng genommen nur für differenzierbare

Verteilungsfunktionen.
• Jede Dichtefunktion hat die Eigenschaften:
f ( x) ≥ 0
∞
∫ f ( x )dx = 1
−∞

376
Dichtefunktionen II

dF ( x )
f ( x) =
dx
• Dies geht natürlich streng genommen nur für differenzierbare

Verteilungsfunktionen.
• Jede Dichtefunktion hat die Eigenschaften:
f ( x) ≥ 0
∞
∫ f ( x )dx = 1
−∞

377
Dichtefunktionen III
• Die Wahrscheinlichkeit, dass die stetige Zufallsvariable Werte

zwischen a und b annimmt, beträgt:
b
P( a < X ≤ b) = ∫ f ( x )dx = F (b) − F ( a )
a
• Die Integrale müssen in der Regel nicht bestimmt werden, sondern

können aus Tabellen abgelesen werden. Für alle Anwendungen der
Vorlesungen ist das hinreichend. Sie sollen nur wissen, was Sie aus
den (noch vorzustellenden) Tabellen ablesen.
• Beispiele werden Sie noch in den Modulen 4.x kennenlernen

378
Vertiefung I: Massen und Dichtefunktionen

• Wichtig, um den Unterschied zwischen Masse- und Dichtefunktionen zu
verstehen ist, zu beachten, dass eine stetige Zufallsvariable für jeden
singulären Wert a eine Wahrscheinlichkeit von Null aufweist:
a
P( X = a ) = ∫ f ( x )dx = 0
a
• Selbst im Grenzfall der Massefunktion, wenn also die Anzahl der für eine
diskreten Zufallsvariablen möglichen Realisationen gegen unendlich geht,
hat dennoch jede einzelne Realisation eine eigene (von Null abweichende)
Wahrscheinlichkeit!
• Masse- und Dichtefunktionen sind also verwandt, aber nicht gleich! Verbal
ausgedrückt ist der zentrale Unterschied, dass die Funktionswerte der
Dichtefunktion keine Wahrscheinlichkeiten sondern Wahrscheinlich-
keitsdichten sind (; sie können also durchaus auch Werte > 1 annehmen).
E Mathematische Grundlagen der

379
Vertiefung II: Dichtefunktionen
• Da gilt
a
P( X = a ) = ∫ f ( x )dx = 0
a
• Gilt auch:
P ( a < X ≤ b) = P ( a ≤ X < b)
b
= P( a < X < b) = P( a ≤ X ≤ b) = ∫ f ( x )dx = F (b) − F ( a )
a
• Es ist also egal, ob die Wahrscheinlichkeit eines beidseitigen

offenen, beidseitig geschlossenen oder nur einseitig
geschlossenen/offenen Intervalls bestimmt wird.
E Mathematische Grundlagen der

380
Zusammenhang zwischen Verteilungsfunktion

und Massen- bzw. Dichtefunktionen
• Die eingangs definierten Verteilungsfunktionen ergeben sich immer

als kumulierte Wahrscheinlichkeit von -∞ bis x:
k
F ( xk ) = P ( X ≤ xk ) = ∑ f ( xk ) für diskrete Zufallsvariablen
i =1
x
F ( x ) = P( X ≤ x ) = ∫ f ( x)dx
−∞
für stetige Zufallsvariablen

381
ERWARTUNGSWERTE UND VARIANZEN

382
Erwartungswerte I
• Bei sehr häufiger Durchführung eines Zufallsexperiments, wird sich

ein „mittlerer“ Wert herausbilden. Dieser „mittlere“ Wert wird als E
Erwartungswert (1. Moment) bezeichnet. Der Erwartungswert
informiert über die Lage der Masse- bzw. Dichtefunktion einer
Zufallsvariable. Er ist deshalb ein Lageparameter.
• Er ist definiert als:
E ( X ) = ∑ xk ⋅ f ( xk ) für diskrete Zufallsvariablen
∀k
∞
E( X ) = ∫ x ⋅ f ( x)dx
−∞
für stetige Zufallsvariablen
• Der Erwartungswert entspricht dem mit den Wahrscheinlichkeiten

gewichteten arithmetischen Mittel aller Realisationen eines
Zufallsexperiments. Häufig wird als Notation statt E(X) der
griechische Buchstabe μX genutzt.

383
Erwartungswerte II
der Augensumme ergibt sich:
E ( Augensumme ) = 2 ⋅ 0.0278 + 3 ⋅ 0.0556 + 4 ⋅ 0.0833 + 5 ⋅ 0.1111 + 6 ⋅ 0.1389
+ 7 ⋅ 0.1667 + 8 ⋅ 0.1389 + 9 ⋅ 0.1111 + 10 ⋅ 0.0833 + 11 ⋅ 0.0556 + 12 ⋅ 0.0278
= 0.0556 + 0.1667 + 0.3333 + 0.5556 + 0.8333
+ 1.1666 + 1.1111 + 1 + 0.8333 + 0.6111 + 0.3333
=7
• Für den Erwartungswert μX gilt

E( X − µX ) = 0

384
Varianzen I
• Häufig ist nicht nur die Lage (das 1. Moment) sondern auch eine
Information über die Streuung um einen „mittleren“ Wert einer
Massen- oder Dichtfunktion erwünscht. Ein zentraler
Streuungsparameter wird als Varianz (2. Moment) bezeichnet.
• Sei X eine Zufallsvariable und μX der zugehörige Erwartungswert,
dann wird die Varianz definiert als
V ( X ) = E ( X − µ X )2
sofern das zugehörige Integral bzw. die zugehörige Summe
existiert.
• Die positive Wurzel aus der Varianz heißt Standardabweichung und
wird üblicherweise mit σX abgekürzt.
σX = V(X )

385
Varianzen II
• Die letzte Definition macht deutlich, warum die Varianz auch häufig
mit σ² abgekürzt wird.
• Bitte beachten Sie, das die kurze obige Schreibweise eigentlich für
folgende Formulierung steht:
V ( X ) = σ 2 = ∑ ( xk − µ X ) 2 ⋅ f ( xk ) für diskrete Zufallsvariablen

∀k
∞
V ( X ) = σ 2 = ∫ ( xk − µ X ) 2 ⋅ f ( x )dx für stetige Zufallsvariablen
−∞

386
Varianzen III
der Augensumme ergibt sich:
V ( Augensumme) = ( 2 − 7) 2 ⋅ 0.0278 + (3 − 7) 2 ⋅ 0.0556 + ( 4 − 7) 2 ⋅ 0.0833 + (5 − 7) 2 ⋅ 0.1111 + (6 − 7) 2 ⋅ 0.1389
+ (7 − 7) 2 ⋅ 0.1667 + (8 − 7) 2 ⋅ 0.1389 + (9 − 7) 2 ⋅ 0.1111 + (10 − 7) 2 ⋅ 0.0833 + (11 − 7) 2 ⋅ 0.0556 + (12 − 7) 2 ⋅ 0.0278
= 25 ⋅ 0.0278 + 16 ⋅ 0.0556 + 9 ⋅ 0.0833 + 4 ⋅ 0.1111 + 1 ⋅ 0.1389
+ 0 ⋅ 0.1667 + 1 ⋅ 0.1389 + 4 ⋅ 0.1111 + 9 ⋅ 0.0833 + 16 ⋅ 0.0556 + 25 ⋅ 0.0278
= 0.6944 + 0.8889 + 0.7500 + 0.4444
+ 0.1389 + 0 + 0.1389 + 0.4444 + 0.7500 + 0.8889
= 5.8333
• Die Standardabweichung beträgt 2.4152.

387
Erwartungswert, Varianz und Standardabweichung
.2
μ=7
.15
Density
.1.05
σ = ±2.4152
0
2 4 6 8 10 12
Augensumme bei 100000

388
Rechenregeln für Erwartungswerte und Varianzen
• Alle nachfolgenden Rechenregeln können recht einfach durch

Einsetzen in die Grundformen hergeleitet werden.
• Sei a eine Konstante, und g1(X) und g2(X) andere Massen- oder
Dichtefunktionen. Dann gilt:
E (a ) = a
E ( a ⋅ g1 ( X )) = a ⋅ E ( g1 ( X ))
E ( g1 ( X ) + g 2 ( X )) = E ( g1 ( X )) + E ( g 2 ( X ))
V (a ) = 0
V ( X + a) = V ( X )
V (a ⋅ X ) = a 2 ⋅V ( X )

389
Zusammenfassung I
Nach einer bestimmten Vorschrift ausgeführtes, beliebig oft wiederholbares Experiment mit (ex ante)
Zufallsexperiment ungewissem Ausgang, dessen Ergebnisse (ex post) beobachtbar sind.
Wahrscheinlichkeit Maß des Grades an Gewissheit für das Eintreten eines Ereignisses.
Zufallsvariable Eine Funktion die jedem Elementarereignis eine reelle Zahl zuordnet.
Realisation Konkreter Wert einer Zufallsvariablen
diskrete Eine Funktion die jedem Elementarereignis eine reelle Zahl zuordnet, so dass die Realisationen
Zufallsvariable zählbar sind.
stetige Eine Funktion die jedem Elementarereignis eine reelle Zahl zuordnet, so dass ein überabzählbarer
Zufallsvariable unendlicher Wertbereich für die Realisationen entsteht.

390
Zusammenfassung II
Funktion, die einer Zufallsvariable einen reellen Wert zwischen 0 und 1 zuweist, der angibt, wie groß
Verteilungsfunktion die Wahrscheinlichkeit ist, das die Zufallsvariable nicht größer als x ist.
Die Funktion die bei einer diskreten Zufallsvariablen jeder Realisation die Wahrscheinlichkeit
Massenfunktion zuordnet, mit der die Zufallsvariable genau den Wert x annimmt.
Dichtefunktion Bei stetigen Zufallsvariablen die erste Ableitung der Verteilungsfunktion nach x.
Der Erwartungswert entspricht dem mit den Wahrscheinlichkeiten gewichteten arithmetischen Mittel
Erwartungswert aller Realisationen eines Zufallsexperiments.
Varianz Erwartungswert der quadrierten Abweichung der Zufallsvariablen von ihrem Erwartungswert.
Standardabweichung Positive Quadratwurzel der Varianz.

391
DESKRIPTIVE STATISTIK I

392
Inhalt
• Absolute, relative, kumulierte und klassierte Häufigkeiten

• Balken-, Säulen- und Tortendiagramme, Histogramme

393
ABSOLUTE, RELATIVE, KUMULIERTE UND KLASSIERTE HÄUFIGKEITEN

394
Absolute Häufigkeiten – Urliste I
• Ausgangspunkt der deskriptiven Statistik sind immer die

(Roh)Daten, also die Merkmalsausprägungen xi die zu einem
Merkmal X von den i = 1,…,m Merkmalsträgern erhoben wurden.
• Eine Tabelle, in der die Merkmalsausprägungen xi den
Merkmalsträgern i zugordnet werden heißt (unsortierte) Urliste.
Merkmalsträger 1 2 3 … m
Merkmalsausprägung x1 x2 x3 … xm
• Wenn Merkmalsausprägungen der Größe nach sortiert werden,

ergibt sich eine sortierte Urliste. Dabei stehen oft gleiche Werte
nebeneinander, da sie bei mehreren Merkmalsträgern vorkommen.

395
Absolute Häufigkeiten – Urliste II
• Angenommen Sie haben die Statistiknoten von 10 Studenten

erfragt. Die folgende Tabelle ist die (unsortierte) Urliste
Merkmalsträger 1 2 3 4 5 6 7 8 9 10
Merkmalsausprägung 1.3 2.3 5.0 4.0 3.3 3.7 4.0 1.3 1.0 5.0
• Als sortierte Urliste ergibt sich


396
Absolute Häufigkeiten – Urliste III
• Bitte beachten Sie, dass die Urliste unabhängig vom Merkmalstyp

aufgestellt werden kann.
• D.h. Sie können die Urliste immer bilden, unabhängig davon, ob die
der Merkmalstyp nominal, ordinal oder kardinal ist und auch
unabhängig davon, ob die Merkmale diskret oder stetig sind.
• Dies gilt auch für die nachfolgend eingeführten absoluten und
relativen Häufigkeitsverteilungen.

397
Absolute und relative Häufigkeitsverteilungen I
• Die absoluten Häufigkeiten nk eines Wertes xk ist die Anzahl der

Merkmalsträger i, bei denen die Merkmalsausprägung den Wert xk
annimmt. Da es immer sein, kann dass einzelne xi-Werte mehrfach
vorkommen, wurde ein neuer Index k erstellt. Es muss gelten k ≤ m.
• Die relative Häufigkeit hk des Wertes xk ist als nk/m definiert.
• Eine Tabelle mit xk und nk heißt absolute Häufigkeitsverteilung,
eine Tabelle mit xk und hk heißt relative Häufigkeitsverteilung. Die
relative Häufigkeitsverteilung heißt auch empirische
Häufigkeitsfunktion.
Merkmalsausprägung x1 x2 … xk Es gilt
absolute Häufigkeitsverteilung n1 n2 … nk ∑nk=m
relative Häufigkeitsverteilung h1 h2 … hk ∑hk=1

398
Absolute und relative Häufigkeitsverteilungen II
• Aus der sortierte Urliste des Beispiels

• ergibt sich
Merkmalsausprägung 1.0 1.3 2.3 3.3 3.7 4.0 5.0
absolute Häufigkeitsverteilung 1 2 1 1 1 2 2
relative Häufigkeitsverteilung 0.1 0.2 0.1 0.1 0.1 0.2 0.2
(empirische Häufigkeitsfunktion)

399
Kumulierte Häufigkeiten I
• Häufig interessieren Fragestellungen wie: „Wie viele Deutsche leben

in Wohnungen, die kleiner (oder gleich) 30qm sind?“ oder
allgemein: „Wie viele Merkmalsträger haben
Merkmalsausprägungen von höchstens xj?“
• Zur Beantwortung werden die kumulierten (d.h. bis dahin
addierten) absoluten oder relativen Häufigkeiten der mindestens
ordinal skalierten, sortierten Merkmalsausprägungen gebildet. Dazu
wird die Anzahl/der Anteil der Merkmalsträger errechnet, bei
denen die Merkmalsausprägung höchstens xj ist. Es gilt:
j
N j = ∑ nk
k =1
j
Nj
H j = ∑ hk =
k =1 n

400
Kumulierte Häufigkeiten II
• Die kumulierte relative Häufigkeit heißt auch empirische

Verteilungsfunktion.
• Sowohl die kumulierte absolute als auch die kumulierte relative
Häufigkeit kann nur gebildet werden, wenn die
Merkmalsausprägungen der Größe nach sortierbar sind – also nur
bei ordinalem oder kardinalem Skalenniveau.

401
Kumulierte Häufigkeiten III
• Aus der Häufigkeitsverteilung des Beispiels mit den Statistik-Noten

Absolute Häufigkeitsverteilung 1 2 1 1 1 2 2
Relative Häufigkeitsverteilung 0.1 0.2 0.1 0.1 0.1 0.2 0.2
• ergibt sich
kumulierte absolute
1 3 4 5 6 8 10
Häufigkeitsverteilung
kumulierte relative
0.1 0.3 0.4 0.5 0.6 0.8 1

402
Zusammenhang zwischen Urliste und Häufigkeit I
• Typischerweise sind reale Datensätze sehr groß. Die (sortierte)

Urliste kann deshalb sehr lang sein. Absolute und relative
Häufigkeitsverteilungen und kumulierte Häufigkeiten sind erheblich
kürzer.
• Beispiel: Sie interessieren sich für die Wohnfläche (in qm) der
deutschen Haushalte im Jahr 2016. Hierzu wird ein Datensatz aus
dem SOEP genutzt (bghgen).
• Die sortierte Urliste in unserem Beispieldatensatz umfasst 17822
Einträge und ist schon deshalb recht unübersichtlich.
list size16
• Die Häufigkeitsverteilung und die Liste der kumulierten

Häufigkeiten ist deutlich kürzer.
tab size

403
Zusammenhang zwischen Urliste und Häufigkeit II

• Der Grad der „Verkürzung“ ist natürlich abhängig von der Verteilung
der Merkmalsausprägungen in der Urliste und von dem
Skalenniveau.
• Beispiel: Im selben Datensatz sind auch die (korrigierten) Netto-
Haushaltsmonatseinkommen der Merkmalsträger aus dem Jahr
2016 erfasst.
• Die sortierte Urliste besteht also ebenfalls aus 17822
Beobachtungen.
list hinc16
• Die Häufigkeitsverteilung und die Liste der kumulierten

Häufigkeiten ist unwesentlich kürzer.
tab hinc16
• Wieso?
S Ü Mathematische Grundlagen der

404
Klassierte Häufigkeiten I
• Es kann vorkommen, dass die Menge der unterschiedlichen

Merkmalsausprägungen sehr groß ist und die Urliste
unübersichtlich ist. Um die Daten noch komprimierter darstellen zu
können werden häufig Klassen gebildet.
• Bezeichne k die Anzahl der unterschiedlichen Merkmals-
ausprägungen. Die Klasse Ki mit i=1,…,n und n < k wird bestimmt
durch eine Klassenuntergrenze ai und eine Klassenobergrenze bi.
Die Differenz bi – ai wird als Klassenbreite Bi der i-ten Klasse
bezeichnet. Der Ausdruck (ai + bi)/2 wird als Klassenmitte
bezeichnet und ist ein Repräsentant für die Klasse i. Die Klassen
werden im Allgemeinen durch „von…bis…“ beschriftet.

405
Klassierte Häufigkeiten II
• Die (sinnvolle) Klassenbildung (also die Bestimmung der Anzahl der

Klassen und deren jeweiligen Klassenober- und Klassenunter-
grenzen) ist abhängig von der Fragestellung und deshalb mehr ein
„kreativer Akt“ als eine mathematische Prozedur. Dabei sollte
beachtet werden, dass zu viele Klassen das Problem der
Unübersichtlichkeit kaum lösen; zu wenige Klassen aber zu einem
z.T. erheblichen Informationsverlust führen.
• Als Faustregel für die Anzahl der Klassen n in Abhängigkeit der
Merkmalsausprägungen k, können Sie sich an
k= n
orientieren.

406
Klassierte Häufigkeiten III
• Achtung: Die vollständige Definition in der obigen Darstellung gilt

eigentlich nur für kardinale (metrische) Skalen. Viele Ordinalskalen,
deren Merkmalsausprägungen als Zahlen angegeben werden
können, können aber genauso zu (sinnvollen Klassen)
zusammengefasst werden.
• Es muss darauf geachtet werden, dass jede Merkmalsausprägung
nur einer Klasse zugeordnet wird.
• Die Klassenbreiten müssen nicht gleich groß sein.

407
Klassierte Häufigkeiten IV
• Aus der Häufigkeitsverteilung des Beispiels mit den Statistik-Noten

Absolute Häufigkeitsverteilung 1 2 1 1 1 2 2
Relative Häufigkeitsverteilung 0.1 0.2 0.1 0.1 0.1 0.2 0.2
• könnten z.B. die Klassen „bestanden“ (Noten ≤ 4.0) und „nicht
bestanden“ (Noten = 5.0) gebildet werden. Beachten Sie, dass
Noten immer ein ordinales Skalenniveau aufweisen – die
vorgeschlagene Klassenbildung ist trotzdem kein Problem.
Klasse bestanden Nicht bestanden
Absolute Häufigkeitsverteilung 8 2
Relative Häufigkeitsverteilug 0.8 0.2

408
Klassierte Häufigkeiten V
• Um einen besseren Eindruck in dem Beispiel mit den Netto-

Haushaltsmonatseinkommen im Jahr 2016 zu bekommen, werden
sie in vier Klassen eingeteilt:
– Klasse 1: von 0€ bis 1500 €
– Klasse 2: von 1501€ bis 3000€
– Klasse 3: von 3001€ bis 5000€
– Klasse 4: ab 5001€
• Dabei muss in dem Datensatz beachtet werden, das mit Werten von
-1 und -2 die Merkmalsträger bezeichnet wurden, die keine
Angaben gemacht haben. Die Zahl der Beobachtungen ist also
eigentlich kleiner als 17822, nämlich 16976.

409
Klassierte Häufigkeiten VI
• Es ergeben sich mit

gen Klasse = 1 if hinc16 >= 0 & hinc16 <= 1500
replace Klasse = 2 if hinc16 > 1500 & hinc16 <= 3000
replace Klasse = 3 if hinc16 > 3000 & hinc16 <= 5000
replace Klasse = 4 if hinc16 > 5000
tab Klasse if hinc16 >=0
• Die absoluten und relativen Häufigkeiten und die kumulierte

relative Häufigkeit: Klasse Freq. Percent Cum.
1 5,414 31.89 31.89

2 6,507 38.33 70.22
3 3,719 21.91 92.13
4 1,336 7.87 100.00
Total 16,976 100.00
• Diese Darstellung ist schon deutlich übersichtlicher.
S P Mathematische Grundlagen der

410
Häufigkeiten - Übung
• Gegeben Sie die folgende unsortierte Urliste, in der die Größe von
Studentenwohnungen in qm angegeben ist.
Merkmalsausprägung 12 8 24 42 55 42 12 24 55 90
Merkmalsträger 11 12 13 14 15 16 17 18 19 20
• Bestimmen Sie die sortierte Urliste, die absoluten und relativen
Häufigkeitsverteilungen und die kumulierten absoluten und relativen
Häufigkeiten
• Erstellen Sie eine Klasseneinteilung in die Klassen
– Klasse 1: 0qm bis 25qm
– Klasse 2: 26 bis 60qm
– Klasse 3: mehr als 61qm
• Bestimmen Sie nun für diese Klassen die absoluten und relativen Häufigkeiten
und die empirische Verteilungsfunktion

411
• Sortierte Urliste:
Merkmalsträger 2 12 1 7 16 20 3 8 13 17
Merkmalsträger 19 4 6 11 5 9 14 18 10 15
• Absolute und relative Häufigkeitsverteilungen:

Merkmalsausprägung 8 12 24 42 55 90
absolute Häufigkeitsverteilung 2 4 5 3 4 2
relative Häufigkeitsverteilung 0.1 0.2 0.25 0.15 0.2 0.1

412
• Kumulierte absolute und relative Häufigkeiten:
kumulierte absolute 2 6 11 14 18 20
kumulierte relative 0.1 0.3 0.55 0.7 0.9 1
• Für die klassierten Daten ergibt sich:

Merkmalsausprägung Klasse 1 Klasse 2 Klasse 1
(0-25) (26-60) (>60)
absolute Häufigkeitsverteilung 11 7 2
relative Häufigkeitsverteilung 0.55 0.35 0.1

413
• Für die klassierten Daten ergibt sich schließlich:
Merkmalsausprägung Klasse 1 Klasse 2 Klasse 1

(0-25) (26-60) (>60)
kumulierte relative 0.55 0.9 1
(empirische
Verteilungsfunktion)

414
BALKEN-, SÄULEN- UND TORTENDIAGRAMME, HISTOGRAMME

415
Säulen- und Balkendiagramme I
• Häufigkeiten werden häufig in Säulendiagrammen oder

Balkendiagrammen dargestellt, um sie anschaulich zu illustrieren.
• Säulendiagramme nutzen als Abszisse (x-Achse) die
unterschiedlichen Merkmalsausprägungen xk und als Ordinate die
absolute oder relative Häufigkeit nk bzw. hk. Es wird eine Säule von
der Abszisse bis zu dem Punkt (xk, nk) bzw (xk, hk) gezeichnet. Die
„Breite“ der Säule hat keine Bedeutung.
• Bei Balkendiagrammen werden Abszisse und Ordinate vertauscht,
die Balken laufen also von links nach rechts, und nicht wie die
Säulen von unten nach oben.

416
Säulen- und Balkendiagramme II
• Für das Beispiel mit den Statistiknoten ergibt sich:

2 Säulendiagramme Balkendiagramme
1
1.3
absolute Häufigkeit
1.5
2.3
3.3
1
3.7
4
.5
0 .5 1 1.5 2
0
1 1.3 2.3 3.3 3.7 4 5 absolute Häufigkeit

.2
1
1.3
relative Häufigkeit
.15
2.3
3.3
.1
3.7
4
.05
0 .05 .1 .15 .2
0
1 1.3 2.3 3.3 3.7 4 5 relative Häufigkeit

417
Säulen- und Balkendiagramme II
• Für das Beispiel mit den Einkommen ergibt sich:

1,000 2,000 3,000 4,000
Säulendiagramme Balkendiagramme
1
absolute Häufigkeit
0 1,000 2,000 3,000 4,000

0
1 2 3 4 absolute Häufigkeit
40
1
relative Häufigkeit
30
2
20
4
10
0 10 20 30 40
0
1 2 3 4 relative Häufigkeit

418
Tortendiagramme
• Eine beliebte Darstellungsform (für relative Häufigkeiten) ist das

sogenannte Tortendiagramm. Dabei wird ein Kreis (oder Zylinder) in
Segmente aufgeteilt, die den relativen Häufigkeiten entsprechen.
• Für die bisherigen Beispiele ergibt sich:
Noten Einkommen
10% 9.238%
20%
23.9%
20%
24.24%
20%
10%
10% 10%
42.63%
1 1.3
2.3 3.3
1 2
3.7 4 3 4
5

419
Vorsicht bei der Darstellung I
• Schon diese einfachen Darstellungsformen lassen sich auf sehr

unterschiedliche Weise präsentieren. Als Beispiel sei die in der
Übung errechneten klassierten studentischen Wohnungsgrößen
und ein Kreis- bzw. Tortendiagramm genutzt.
• Es ergibt sich als Kreisdiagramm:
26 bis 60m²
bis 25m²
P Mathematische Grundlagen der

420
Vorsicht bei der Darstellung II

• Der Eindruck, Studenten haben kleine Wohnungen lässt sich durch
eine leicht andere Darstellung massiv…
• …verstärken oder …abschwächen
bis 25m²
26 bis 60m²
26 bis 60m²
bis 25m²
• Je graphisch aufwendiger die Darstellungsform, desto vielfältiger

sind auch die Möglichkeiten der „opportunistischen“ Darstellung.
Machen Sie sich deshalb immer klar, welche Zahlenwerte dahinter
stehen.

421
Histogramme I
• Bei stetigen Merkmalen kann es sein, dass es sehr viele

unterschiedliche Merkmalsausprägungen vorkommen.
• In diesem Fall, ist es nicht ratsam ein Säulen-, Balken oder
Tortendiagramm zu verwenden, da die vielen unterschiedlichen
Merkmalsausprägungen zu sehr kleinen Balken, Säulen oder
„Tortenstücken“ führen.
• Das Ergebnis wäre ein sehr unübersichtliches Diagramm.
• Deshalb wird in solchen Fällen eine sinnvolle Klassenbildung
vorgenommen und die Daten werden in einem Histogramm
dargestellt.

422
Histogramme II
• Hierzu werden zunächst Klassen festgelegt in die der Wertebereich

der Merkmalsausprägungen eingeteilt wird. Dies kann am
Zahlenstrahl veranschaulicht werden.
• Für das Beispiel mit den studentischen Wohnungsgrößen (mit den
dort gewählten Klassen) ergibt sich.
Wohnfläche in m²
Klasse 1 Klasse 2 Klasse 3
0 25 60 90

423
Histogramme III
• Seien mit ξi (i = 0,…,m) die Klassengrenzen bezeichnet, so ergeben

sich m Klassen, deren Klassenbreite Bi sich ergibt als Bi = ξi - ξi-1. Im
Beispiel:
B1 = ξ1 – ξ0 B2 = ξ2 – ξ1 B3 = ξ3 – ξ2
= 25 – 0 = 25 = 60 – 25 = 35 = 90 – 60 = 30
Wohnfläche in m²
Klasse 1 Klasse 2 Klasse 3
ξ0 = 0 ξ1 = 25 ξ2 = 60 ξ3 = 90

424
Histogramme III
• Die relativen Häufigkeiten sollen als Fläche (!) im Histogramm

repräsentiert werden. Die Gesamtfläche B (Normierungsbreite) des
Histogramms soll 1 betragen. Es muss also für jede Klasse i gelten
„Breitei x Höhei = relative Häufigkeiti“. Um die Höhe der i-ten Klasse
für die Normierungsbreite 1 (Standardfall) zu errechnen gilt also:
hi
Höhei =
Bi
• Für beliebige Normierungsbreiten B gilt:
hi
Höhei = ⋅ B
Bi
• Die so definierte Höhe wird als Häufigkeitsdichte bezeichnet.

425
Histogramme III
• Für das Beispiel haben Sie die relativen Häufigkeiten hi bereits

errechnet, sie betragen h1 = 0.55, h2 = 0.35 und h3 = 0.1.
• Die daraus resultierende Höhen für die Normierungsbreite 1 sind:
Höhe1 = 0.022, Höhe2 = 0.01 und Höhe3 = 0.00333.
• Nun kann das Histogramm gezeichnet werden.
• Bemerkung: Es sind auch Darstellungsformen denkbar, bei denen

die absolute Häufigkeit als Grundlage dient.

426
Histogramme IV
• Es ergibt sich das Histogramm:
Höhe1 = 0.022
Höhe2 = 0.01
Höhe3 = 0.00333
Wohnfläche
ξ0 = 0 ξ1 = 25 ξ2 = 60 ξ3 = 90 in m²
B1 = 25 B2 = 35 B3 = 30

427
Histogramme V
• Histogramme sind also grafische Darstellungen von relativen

Häufigkeiten stetiger Merkmalausprägungen, bei denen direkt
nebeneinander Rechtecke, deren Flächen proportional zur relativen
Häufigkeit sind, gezeichnet werden. Dazu werden die zu Grunde
liegenden Daten in Klassen eingeteilt. Die Klassenbreite entspricht
der Breite des Rechtecks, die Häufigkeitsdichte der Höhe.

428
Histogramm VI – Beispiele
• Für das Beispiel mit den monatlichen Haushaltsnettoeinkommen

ergibt sich im Zahlenbereich bis 12000€ im Jahr 2016:
3.0e-04
2.0e-04
Density
1.0e-04
0
0 5000 10000
Monatl. Haushaltsnettoeinkommen (EUR)

429
Vorsicht bei der Darstellung I
• Die Wahl der Klassenbreiten und Klassenanzahl bestimmt massiv

die Form des Histogramms. Damit können einerseits
„opportunistische Darstellungen“, aber auch andererseits genauere
Informationen erreicht werden. Es kommt sehr auf die
Fragestellung an, welche Klassenbreite sinnvoll ist.
• Alle nachstehenden Histogramme sind aus derselben
Datengrundlage (der monatlichen Haushaltsnettoeinkommen des
Jahres 2016) und ausschließlich durch Änderung der Klassenzahl
entstanden (es wurden keine unterschiedlichen Klassenbreiten
gewählt). Sie betonen alle unterschiedliche Aspekte der
empirischen Einkommensverteilung.

430
2.5e-04
3.0e-04
2.0e-04
2.0e-04
1.0e-04 1.5e-04
Density
Density
1.0e-04
5.0e-05
0
0
0 2000 4000 6000 8000 10000 0 5000 10000 15000
Monatl. Haushaltsnettoeinkommen (EUR) Monatl. Haushaltsnettoeinkommen (EUR)
3.0e-04
2.0e-04
Density
1.0e-04
0
0 5000 10000 15000


431
Zusammenfassung
Die absoluten Häufigkeiten eines Wertes ist die Anzahl der Merkmalsträger, bei denen die
absolute Häufigkeit Merkmalsausprägung diesen Wert annimmt.
Die relative Häufigkeiten eines Wertes ist der Anteil der Merkmalsträger, bei denen die
relative Häufigkeit Merkmalsausprägung diesen Wert annimmt.
kumulierte absolute
Die kumulierte absolute/relative Häufigkeiten eines Wertes ist die Anzahl/der Anteil der
oder relative Merkmalsträger, bei denen die Merkmalsausprägung maximal diesen Wert annimmt.
Häufigkeit
klassierte Häufigkeit Ist die Häufigkeit (s.o.) in vorab definierten Klassen.
Histogramme sind also grafische Darstellungen von relativen Häufigkeiten stetiger (klassierter)
Merkmalausprägungen, bei denen direkt nebeneinander Rechtecke, deren Flächen proportional zur
Histogramm relativen Häufigkeit (der Klasse) sind, gezeichnet werden. Die Klassenbreite entspricht der Breite des
Rechtecks, die Häufigkeitsdichte der Höhe.

432
DESKRIPTIVE STATISTIK II

433
Inhalt
• Lagemaße:
– Modus,
– Median
– Quartile und Quantile
– Mittelwerte
• Streuungsmaße:
– Spannweite
– Quartilsabstände
– Varianz und Standardabweichung
– Variationskoeffizient
• Übersicht über Lage- und Streuungsmaße
• Boxplots

434
Lage- und Streuungsmaße – Einführung I
• Im letzten Abschnitt haben wir graphische Darstellungen von

Häufigkeitsverteilungen kennengelernt. Häufig reicht dies nicht aus,
um einen Überblick über die Struktur der zu Grunde liegenden
Daten zu gewinnen.
• Deshalb werden wir im Folgenden wichtige Maße, Parameter bzw.
Kennzahlen für Häufigkeitsverteilungen kennenlernen. Es werden
unterschieden:
– Lagemaße (zentrale Tendenz einer Verteilung)
– Streuungsmaße (Variation/Dispersion einer Verteilung)
– [Maße für die Schiefe und
– Maße für die Wölbung]
• Zunächst reichen die ersten beiden Maße – zur Lage und Streuung –
aus.

435
Lage- und Streuungsmaße – Einführung II
• Lagemaße beschreiben „die Lage“ der Verteilung, sie versuchen

also einen Wert anzugeben, der als Zentralwert der Verteilung
angesehen werden kann.
• Streuungsmaße geben Auskunft darüber, wie stark die
beobachteten Merkmalsausprägungen von diesem Zentralwert
oder von voneinander abweichen.

436
LAGEMAßE:
MODUS, MEDIAN, QUARTILE, QUANTILE UND MITTELWERTE

437
Der Modus / Modalwert
• Das einfachste Maß für die Lage einer Verteilung ist der Modalwert
(oder Modus). Der Modalwert xMo ist einfach definiert als der
häufigste Wert der Urliste. Bei diskreten Merkmalen ist der Modus
die Merkmalsausprägung, die am häufigsten auftritt. Bei
gruppierten Werten ist der Modus durch die Klassenmitte der am
dichtesten besetzten Gruppe bestimmt.
• Sollten mehrere Werte „am häufigsten“ vorkommen, sind sie alle
Modalwerte. Eine Häufigkeitsverteilung mit nur einem Modalwert
heißt unimodal.
• Im Beispiel mit den studentischen Wohnungen ist der Modalwert
z.B. 24 qm, diese Verteilung ist unimodal. Die Verteilung der
Statistiknoten ist nicht unimodal, es existieren drei Modalwerte
(1.3, 4.0 und 5.0).

438
Der Median I
• Der Median xMe (häufig auch Q2) wird aus geordneten

Merkmalsausprägungen gebildet und ist als die
Merkmalsausprägung definiert, die eine der Größe nach geordnete
Reihenfolge von Beobachtungswerten in zwei gleiche Teile zerlegt.
Er ist auch auf ordinal skalierte Merkmale anwendbar.
• Seien x1 ≤ x2 ≤ x3 ≤ … ≤ xn die geordnet Merkmalsausprägungen der
n Merkmalsträger. Dann ist der Median zunächst definiert als:
xMe = x n +1 falls n ungerade
2
x n ≤ xMe ≤ x n falls n gerade
+1
2 2

439
Der Median II
• Für unser Beispiel mit den Studentenwohnungen ergibt sich der

Median xMe = 24. Bei dem Beispiel mit den Statistiknoten wird eine
Schwäche der obigen Definition deutlich: der Median kann
entweder 3.3 oder 3.7 sein.
• Für gerade n und ungleiche Werte in der Mitte, wird (deshalb)
häufig noch definiert (lineare Interpolation):
1
xMe = ( x n + x n )
2 2 +1
2
• Es ergibt sich xMe = 3.5

440
Der Median III
• Soll der Median xMe für klassierte Häufigkeiten errechnet werden,

so wird wie folgt vorgegangen:
– Bestimmung der sogenannten Einfallsklasse j. Dies ist die Klasse
innerhalb der die kumulierten Häufigkeit Hj den Wert 50% erreicht.
– Seien die Intervallgrenzen mit aj und bj bezeichnet und die relative
Häufigkeit mit hj, so errechnet sich der Median für klassierte
Häufigkeiten als:
0.5 − H j −1 0.5 − H j −1
xMe = a j + ( ) ⋅ (b j − a j ) = a j + ( ) ⋅ (b j − a j )
H j − H j −1 hj
• Dieses Vorgehen wird auch lineare Interpolation innerhalb der

Klasse genannt.

441
Der Median IV
• Für die klassierten Werte in dem Beispiel mit den studentischen

Wohnungen ergibt sich z.B. (statt 24 bei den Werten aus der
sortierten Urliste):
0.5 − 0
xMe = 0+( ) ⋅ ( 25 − 0) = 22.72
0.55
• Für ordinale Werte ist die lineare Interpolation zur Bestimmung des
Medians streng genommen nicht sinnvoll interpretierbar. Denn wie
soll z.B. eine Statistiknote von 3.5 interpretiert werden?

442
Quartile I
• Untere und obere Quartile (Q1 und Q3) werden ebenfalls aus
geordneten Merkmalsausprägungen gebildet und sind als die
Merkmalsausprägung definiert, die eine der Größe nach geordnete
Reihenfolge von Beobachtungswerten nach 25% (Q1) bzw. 75% (Q3)
unterbrechen. Sie sind auch auf ordinal skalierte Merkmale
anwendbar.
n Merkmalsträger. Dann sind Q1 und Q3 zunächst definiert als:
Q1 = x n +1 falls n ungerade Q3 = x 3n +1 falls n ungerade
4 4
und
x n ≤ Q1 ≤ x n falls n gerade x 3n ≤ Q3 ≤ x 3n falls n gerade
+1 +1
4 4 4 4

443
Quartile II
• Für unser Beispiel mit den Studentenwohnungen ergibt sich der
Median Q1 = 12 und Q3 = 55.
• Für gerade n und ungleiche Werte in der Mitte, wird häufig noch
definiert (lineare Interpolation):
1 1
Q1 = ( x n + x n ) und Q3 = ( x 3n + x 3n )
2 4 +1 2 4 +1
4 4
• Für klassierte Daten ergibt sich analog:
0.25 − H j −1 0.75 − H j −1
Q1 = a j + ( ) ⋅ (b j − a j ) und Q3 = a j + ( ) ⋅ (b j − a j )
hj hj
• In der „Quartils-Notation“ kann der Median xMe auch mit Q2
bezeichnet werden.

444
Quantile I
• Diese Überlegung kann auf beliebige p-Quantile xp erweitert

werden. Wobei p ein Anteil ist. Ist p = 0.1 so wird von Dezilen
gesprochen, ist p = 0.01 so wird von Perzentilen gesprochen.
n Merkmalsträger. Dann ist das p-Quantil zunächst definiert als:
x p = x p⋅n +1 falls n ungerade
x p⋅n ≤ x p ≤ x p⋅n +1 falls n gerade
• Für gerade n und ungleiche Werte in der Mitte und klassierte
Daten, wird häufig noch definiert (lineare Interpolation):
1 p − H j −1
x p = ( x p⋅n + x p⋅n +1 ) bzw. x p = a j + ( ) ⋅ (b j − a j )
2 hj

445
Quantile II
• Bei jedem Quantil (also insbesondere beim Median, Quartilen,

Dezilen und Perzentilen) gibt es immer die Möglichkeit, dass es…
– …entweder eindeutig bestimmbar ist (Anzahl der Beobachtungen ist
ungerade und Multiplikation mit p ergibt eine natürliche Zahl) oder
– …nicht im Datensatz enthalten ist.
• Im zweiten Fall ist jeder (!) Wert zwischen den beiden
begrenzenden Werten eine richtige Lösung. Es gibt eben keinen
Wert im Datensatz, der eindeutig ist, weshalb ein Ersatz gefunden
werden muss. Wie dieser Ersatz gefunden wird ist durch eine
Konvention festzulegen.
• Die vorgestellten Konventionen dienen nur der eindeutigen
Bestimmung im Rahmen dieser Vorlesung.

446
Arithmetischer Mittelwert
• Der arithmetische Mittelwert oder einfach Mittelwert der

Merkmalsausprägungen xi von n Merkmalsträgern ist definiert als:
1 n
x := ⋅ ∑ xi
n i =1
• Wenn die absoluten Häufigkeiten nk bekannt sind, gilt auch:
1 k
x := ⋅ ∑ ni ⋅ xi
n i =1
• Sind auch die relativen Häufigkeiten hk bekannt, gilt auch:
k
x := ∑ hi ⋅ xi
i =1

447
Eigenschaften des arithmetischer Mittelwert
• Es gilt die sogenannte Zentraleigenschaft, d.h.

n
∑ ( x − x) = 0
i =1
i
• Wird eine reelle Zahl a zu allen xi addiert gilt:

yi = xi + a ⇒ y = x + a
• Wird eine reelle Zahl b (≠ 0) mit allen xi multipliziert gilt die

sogenannte Homogenitätseigenschaft:
zi = b ⋅ xi ⇒ z = b ⋅ x

448
Vergleich mit anderen Lageparametern
• Für eine unimodale, symmetrische Häufigkeitsverteilung sind

Modus, Median und Mittelwert (annährend) gleich.
• Bei einer unimodalen, rechtschiefen Verteilung gilt:

xMo < xMe und xMo < x
• Bei einer unimodalen, linksschiefen Verteilung gilt:

xMo > xMe und xMo > x

449
Geometrisches und harmonisches Mittel I
• Das geometrische Mittel der Merkmalsausprägungen xi von n

Merkmalsträgern ist nur dann definiert wenn alle xi > 0 sind. Es wird
bestimmt als:
n
G X := n ∏x
i =1
i xi > 0
• Das harmonische Mittel der Merkmalsausprägungen xi von n

Merkmalsträgern ist nur dann definiert wenn alle xi > 0 sind. Es wird
bestimmt als:
n
H X := n
1
∑i =1 xi

450
Unterschiedlichen Mittelwerte
• Das geometrische Mittel werden eher genutzt, um Quotienten,

Wachstumsraten oder Anteile zu beschreiben. Allgemein Werte, die
„um 1“ herum sinnvoll interpretiert werden sollen.
• Das harmonische Mittel ist bei der Analyse von Verhältniszahlen
häufig die inhaltlich bessere Wahl.
• Für jede sortierte Urliste mit den (verschiedenen)
Merkmalsausprägungen xi von n Merkmalsträgern, bei der gilt xi > 0
gilt:
H X < GX < x

451
Übung Mittelwerte
• Berechnen Sie zu dem Beispiel mit den studentischen

Wohnungsgrößen aus der nachfolgenden sortierten Urliste, das
harmonische, geometrische und arithmetische Mittel.
Merkmalsträger 2 12 1 7 16 20 3 8 13 17
Merkmalsträger 19 4 6 11 5 9 14 18 10 15

452
Übung Mittelwerte
• Harmonisches Mittel:
20 20
HX = = = 20.8758
2 4 5 3 4 2 0.9580
+ + + + +
8 12 24 42 55 90
• Geometrisches Mittel:
G X = 20 82 ⋅ 124 ⋅ 245 ⋅ 423 ⋅ 554 ⋅ 902 = 20 5.802896 ⋅ 1028 ≈ 27.4272
• Arithmetisches Mittel:
1
x := ⋅ ( 2 ⋅ 8 + 4 ⋅ 12 + 5 ⋅ 24 + 3 ⋅ 42 + 4 ⋅ 55 + 2 ⋅ 90) = 35.5
20

453
STREUUNGSMAßE:
SPANNWEITE, QUARTILSABSTÄNDE, VARIANZ, STANDARDABWEICHUNG
UND VARIATIONSKOEFFIZIENT

454
Spannweite
• Das einfachste Streuungsmaß ist die Differenz aus dem größten

Wert xmax und dem kleinsten Wert xmin der beobachteten
Merkmalsausprägungen xi. Diese Differenz wird als Spannweite
oder Range R bezeichnet.
R := xmax − xmin
• Für ordinale Skalen ist dies nicht sinnvoll interpretierbar.

455
Quartilsabstände
• Die Differenz des oberen Quartils Q3 und unteren Quartils Q1 der

beobachteten Merkmalsausprägungen xi wird Quartilsabstand QA
genannt.
QA := Q3 − Q1
• Häufig wird auch der mittlere Quartilsabstand gebildet:

(Q3 − Q2 ) + (Q2 − Q1 ) QA
MQA := =
2 2
• Auf die gleiche Weise lassen sich auch die Abstände von beliebigen
p-Quantilen und den zugehörigen (1-p)-Quantilen bilden.

456
Varianz und Standardabweichung I
• Die am häufigsten verwendeten Streuungsmaße sind die Varianz

und die Standardabweichung. Beide Begriffe haben Sie schon im
Zusammenhang mit Wahrscheinlichkeiten kennengelernt. Es ist
wichtig die theoretischen (d.h. aus der Wahrscheinlichkeits-
rechnung abgeleiteten Varianz und Standardabweichungen) von
den empirischen Varianzen und Standardabweichungen zu
unterscheiden. Deshalb wird hier eine andere Notation genutzt.
• Die Varianz s²X der beobachteten Merkmalsausprägungen xi wird
definiert als:
1 n
s := ⋅ ∑ ( xi − x ) 2
2
X
n i =1

457
Varianz und Standardabweichung II
• Aus der Bestimmung der Mittelwert folgt unmittelbar, dass wenn

die absoluten Häufigkeiten nk bekannt sind gilt:
1 k
s X := ⋅ ∑ ni ⋅ ( xi − x ) 2
2
n i =1
• Sind auch die relativen Häufigkeiten hk bekannt, gilt auch:

k
s := ∑ hi ⋅ ( xi − x ) 2
2
X
i =1
• Die Standardabweichung sX der beobachteten

Merkmalsausprägungen xi wird definiert als:
s X := s X2

458
Varianz und Standardabweichung III
• Die Varianz und die Standardabweichung sind nur für kardinale

Merkmale sinnvoll interpretierbar.
• Bei gruppierten Merkmalen werden die xi durch die Klassenmitten
und das arithmetische Mittel durch den geschätzten (linear
interpolierten) arithmetischen Mittelwert berechnet.

459
Eigenschaften der Varianz und Standardabweichung I
• Die Varianz (und mithin die Standardabweichung) ist immer größer

oder gleich Null:
s X2 ≥ 0
• Wird eine reelle Zahl a zu allen xi addiert, so ändert sich die Varianz
(und mithin die Standardabweichung) nicht:
yi = xi + a ⇒ sY2 = s X2
• Wird eine reelle Zahl b (≠ 0) mit allen xi multipliziert gilt für die
Varianz bzw. die Standardabweichung:
zi = b ⋅ xi ⇒ sZ2 = b2 ⋅ s X2 bzw. sZ =| b | ⋅s X

460
Eigenschaften der Varianz und Standardabweichung II
• Zur vereinfachten Berechnung ist folgende Eigenschaft der Varianz

nützlich. Es gilt:
1 n 1 n 2
s := ⋅ ∑ ( xi − x ) = ( ⋅ ∑ xi ) − ( x ) 2
2
X
2
n i =1 n i =1
• Es muss also nicht bei jedem beobachteten Merkmalsausprägungen

xi der Mittelwert abgezogen werden, sondern es können zunächst
die quadrierten Beobachtungswerte gemittelt werden und dann
anschließend das Quadrat des arithmetischen Mittels abgezogen
werden.

461
Variationskoeffizient
• Als letztes Streuungsmaß sei der Variationskoeffizient VKX der

Merkmalsausprägungen xi als auf den Mittelwert bezogene
Standardabweichung definiert. Er ergibt sich als:
sX
VK X :=
x

462
Übung Streuungsmaße
• Berechnen Sie zu dem Beispiel mit den studentischen

Wohnungsgrößen die Spannweite, den Quartilsabstand, die Varianz,
die Standardabweichung und den Variationskoeffizient. Sie können
die Lagemaße aus der vorigen Übung und der Vorlesung als bekannt
voraussetzen.
• Zur Erinnerung nochmal die sortierten Urliste
Merkmalsträger 2 12 1 7 16 20 3 8 13 17
Merkmalsträger 19 4 6 11 5 9 14 18 10 15

463
Übung Streuungsmaße
• Es ist bekannt: Es ergibt sich weiter:

1 n 2
x = 35.5 Q1 = 12 s = ( ⋅ ∑ xi ) − ( x ) 2
2
X
n i =1
xMe = Q2 = 24 Q3 = 55 1
⇒ ⋅ ( 2 ⋅ 82 + 4 ⋅ 122 + 5 ⋅ 242 + 3 ⋅ 422 + 4 ⋅ 552 + 2 ⋅ 902 ) − 35.52
20
37176
• Es ist leicht ersichtlich: = − 1260.25 = 598.55
20
xmax = 90 xmin = 8
s X = 598.55 = 24.465
• Es ergibt sich:
24.465
R = xmax − xmin ⇒ 90 − 8 = 82 VK X := = 0.6891
35.5
QA = Q3 − Q1 ⇒ 55 − 12 = 43

464
ÜBERSICHT ÜBER LAGE- UND STREUUNGSMAßE

465
Übersicht über Lage-und Streuungsmaße I
• Lage- und Streuungsmaße beschreiben eine Häufigkeitsverteilung in

einzelnen Kennziffern. Für das Beispiel mit den monatlichen
Haushaltsnettoeinkommen des Jahres 2010 ergibt sich im
Zahlenbereich bis 12000€:
Lagemaße Werte
(gerundet)
Streuungsmaße Werte
(gerundet) arithmetisches Mittel 2540
Spannweite 11960 Median 2170
Quartilsabstand 2100 unteres Quartil 1300
Varianz 2827853 oberes Quartil 3400
Standardabweichung 1681.63 unters Perzentil 320
Variationskoeffizient 0.66 oberes Perzentil 8000

466
Übersicht über Lage-und Streuungsmaße II

• Mit dem Histogramm, lässt sich die Einkommensverteilung nun sehr präzise beschreiben:
Quartilsabstand
3.0e-04
unteres Dezil oberes Dezil

Dezilsabstand
unteres Quartil
2.0e-04
oberes Quartil
Density
1.0e-04
arith. Mittel
Median
0
0 5000 10000

467
Übung zur Interpretation der Lage-und Streuungsmaße
• Erläutern Sie das sogenannte „Paradoxon der Umverteilung“.

Anhand der Darstellung auf der Folie zuvor.
• Es besagt: „Obwohl in den meisten modernen
Industriegesellschaften die Medianeinkommen (weit) unterhalb der
Durchschnitts-einkommen liegen, kommt es bei
Mehrheitswahlverfahren nicht zu einer Wahl von Parteien, die für
eine größere Umverteilung eintreten.“
Ü P Mathematische Grundlagen der

468
Übersicht Lageparameter I
Errechenbar bei** Interpretierbar bei**
Bestimmung*
n o1 o2 k n o1 o2 k
Modalwert
Modus
Häufigster Wert X X X X X X X X
xMe = x n +1 falls n ungerade
Median
allgemein x n ≤ xMe ≤ x n
2
+1
falls n gerade X X X
2 2
Median 1
Konvention
xMe = ( x n + x n )
2 2 2
+1 X X X
Q1 = x n +1 falls n ungerade
unteres Quartil
allgemein x n ≤ Q1 ≤ x n
4
+1
4 4
* Bitte beachten Sie die Besonderheiten bei klassierten Daten. Hier wird von nicht-klassierten Daten ausgegangen.
** (n)ominales; ordinales Skalenniveau mit Zahlenwerten (o2); ordinales Skalenniveau ohne Zahlenwerte (o1) oder (k)ardinales Skalenniveau

469
Übersicht Lageparameter II
Bestimmung*
n o1 o2 k n o1 o2 k
Q3 = x 3n +1 falls n ungerade
oberes Quartil
allgemein
4
x 3n ≤ Q3 ≤ x 3n
+1
4 4
unteres Quartil 1
Konvention
Q1 = ( x n + x n ) X X X
2 4 +1
4
oberes Quartil 1
Konvention
Q3 = ( x 3n + x 3n ) X X X
2 4 +1
4
p-Quantil x p = x p⋅n +1 falls n ungerade

nur allgemein x p⋅n ≤ x p ≤ x p⋅n +1 falls n gerade X X X

470
Übersicht Lageparameter III

Bestimmung*
n o1 o2 k n o1 o2 k
1 n
x := ⋅ ∑ xi
arithmetisches Mittel
Mittelwert*** X X X
n i =1
n
geometrisches Mittel G X := n ∏x
i =1
i xi > 0 X X X
n
H X :=
X X X
n
harmonisches Mittel 1
∑
i =1 xi
*** Bitte beachten Sie die Möglichkeiten der vereinfachten Berechnung und die Eigenschaften

471
Übersicht Streuungsparameter I
Bestimmung*
n o1 o2 k n o1 o2 k
Spannweite R := xmax − xmin X X X
Quartilsabstand QA := Q3 − Q1 X X X
QA
mittlerer MQA := X X X
Quartilsabstand 2

472
Übersicht Streuungsparameter II
Bestimmung*
n o1 o2 k n o1 o2 k
1 n
Varianz***
(der Grundgesamtheit)
s := ⋅ ∑ ( xi − x ) 2
2
X X X X
n i =1
Standard-
abweichung***
(der Grundgesamtheit)
s X := s X2 X X X
sX
Variationskoeffizient VK X := X X X
x
*** Bitte beachten Sie die Möglichkeiten der vereinfachten Berechnung und die Eigenschaften

473
BOXPLOTS

474
Boxplots I
• Boxplots (selten: Whiskerplots) sind eine nützliche

Darstellungsform, um einen schnellen Überblick über die
Eigenschaften einer Verteilung zu gewinnen. Boxplots können
horizontal oder vertikal gezeichnet werden. Stilisiert sieht ein
Boxplot wie folgt aus:
Spannweite
Whisker
Whisker
Quartilsabstand
Minimum Maximum
unteres Quartil Median oberes Quartil

475
Boxplots II
• Abweichend von dem obigen Prinzip finden sich auch Boxplots, bei
denen die Whisker bei xMe ± 1.5·QA gezeichnet werden. Punkte
außerhalb der Whisker (die jetzt vorkommen können) werden als
(milde) Ausreißer bezeichnet. Punkte die nicht innerhalb des durch
xMe ± 3·QA bestimmte Intervall fallen, werden extreme Ausreißer
genannt. Die Ausreißer werden als einzelne Punkte dargestellt.
Deshalb heißt diese Darstellungsform auch punktierter Boxplot.
• Minimum und Maximum werden dabei manchmal mit +
gekennzeichnet.
• Die Werte xMe ± 1.5·QA oder xMe ± 3·QA sind einfach eine
Konvention. Sie wird auch „Daumenregel von Tukey“ genannt.
• Wenn es extreme oder auch nur milde Ausreißer gibt, sollten Sie
die Datengrundlage nochmals sachlogisch hinterfragen.

476
Boxplots III
extreme Ausreißer
• Punktierter Boxplot (Schema):
Minimum milde Ausreißer

Quartilsabstand (QA)
+ +
xMe - 1.5·QA xMe + 1.5·QA
Maximum
Median (xMe)
unteres Quartil oberes Quartil

477
Übung Boxplots
• Zeichnen Sie den einfachen Boxplot zu dem Beispiel mit den

studentischen Wohnungsgrößen und markieren Sie darin den
Mittelwert.
x = 35.5
xME = Q2 = 24
Q1 = 12
Q3 = 55
QA = 43
xmin = 8
xmax = 90
0 20 40 60 80 100
var1

478
Boxplots

ergibt sich im Zahlenbereich bis 12000€ als punktierter Boxplot:
15,000
5,000 0 10,000

479
Zusammenfassung I
Modalwert Der häufigste Wert der Urliste bzw. bei klassierten Daten die Klassenmitte der Klasse, die am
Modus häufigsten besetzt ist.
unimodal Verteilung mit nur einem Modalwert
Die Merkmalsausprägung, die eine der Größe nach geordnete Reihenfolge von Beobachtungswerten
Median in zwei gleiche Teile zerlegt.
unteres Quartil Die Merkmalsausprägung, die eine der Größe nach geordnete Reihenfolge von Beobachtungswerten
oberes Quartil bei 25% (unteres Quartil) bzw. 75% (oberes Quartil) unterbricht.
Die Merkmalsausprägung definiert, die eine der Größe nach geordnete Reihenfolge von
p-Quantil Beobachtungswerten bei p unterbricht.
Dezil p-Quantil mit p = 0.1
Perzentil p-Quantil mit p = 0.01

480
Zusammenfassung II
arithmetisches Mittel
Summe aller Merkmalsausprägungen geteilt durch die Anzahl der Merkmalsträger
Mittelwert
n-te Wurzel des Produktes aller Merkmalsausprägungen, sofern alle Merkmalsausprägungen größer
geometrisches Mittel Null sind.
Kehrwert des arithmetischen Mittels der Kehrwerte aller Merkmalsausprägungen, sofern alle
harmonisches Mittel Merkmalsausprägungen größer Null sind.
Spannweite
Differenz aus dem größten und dem kleinsten Wert aller beobachteten Merkmalsausprägungen.
Range
(mittlerer)
(Halbe) Differenz aus dem oberen und dem unteren Quartil.
Quartilsabstand

481
Zusammenfassung III
Varianz Mittelwert der quadrierten Abweichung der Merkmalsausprägung von ihrem Mittelwert.
Standardabweichung Positive Quadratwurzel der Varianz.
Variationskoeffizient Auf den Mittelwert bezogene Standardabweichung.
Boxplot Darstellungsform, die das Minimum, das Maximum, das untere und obere Quartil und den Median
Whiskerplot veranschaulicht.
Darstellungsform, die (zumindest) das untere und obere Quartil und den Median sowie Ausreißer
punktierter Boxplot veranschaulicht. Häufig werden auch Minima und Maxima angegeben.

482
DESKRIPTIVE STATISTIK III

483
Konzentrationsmaße - Einführung
• Zur Erinnerung: Lagemaße versuchen einen Wert anzugeben, der

als Zentralwert der Verteilung angesehen werden kann.
Streuungsmaße geben Auskunft darüber, wie stark die
beobachteten Merkmalsausprägungen von diesem Zentralwert
oder von voneinander abweichen.
• Konzentrationsmaße geben darüber Auskunft, ob sich besonders
viele/wenige beobachte Merkmalsausprägungen auf viele/wenige
Merkmalsträger verteilt.

484
ABSOLUTE UND RELATIVE KONZENTRATION

485
absolute und relative Konzentration I

• Gegeben sei (o.B.d.A.) eine sortierte Urliste:
• Dann sei die Merkmalssumme S definiert als:

m
S := ∑ xi
i =1
• Eine hohe absolute Konzentration liegt vor, wenn ein großer Anteil
der Merkmalssumme S auf eine kleine (absolute) Anzahl von
Merkmalsträgern entfällt.
• Eine hohe relative Konzentration liegt vor, wenn ein großer Anteil
der Merkmalssumme S auf einen kleinen Anteil von
Merkmalsträgern entfällt.

486
absolute und relative Konzentration II
• Die Bestimmung des Adjektivs „hohe“ ist eine Wertungsfrage.

Statistisch lassen sich allenfalls Messungen zur Konzentration –
nicht aber zur Bewertung – finden.
• Aus dem Beispiel mit den studentischen Wohnungsgrößen lässt sich
über die absolute Konzentration z.B. sagen: „dass 6 der Studenten
über (nur) etwa 9% der gesamten Wohnfläche (der Stichprobe)
verfügen“
• Über die relative Konzentration lässt z.B. sagen: „dass 10% der
Studenten über mehr als 25% der gesamten Wohnfläche (der
Stichprobe) verfügen“
• Solche Sätze werden gerne im politischen Diskurs, etwa wenn es
um die Verteilung von Einkommen geht, genutzt.

487
absolute und relative Konzentration III

des Jahres 2016, ergeben sich im Zahlenbereich bis 12000€ z.B. die
folgenden Aussagen bezüglich der absoluten und relativen
Konzentration:
– „20 Merkmalsträger verfügen über mehr als 0.1% des
Gesamteinkommens.“
– „weniger als 0.001826% der Merkmalsträger verfügen über mehr als
0.1% des Gesamteinkommens“
– usw.
• Dabei ist im statistischen Sinne wichtig, dass es sich einfach um

Konzentrationsaussagen handelt und nicht um Wertungen.

488
KONZENTRATION DER ERSTEN K MERKMALSTRÄGER

489
Konzentration der ersten k Merkmalsträger I
• Um eine Konvention für absolute Konzentrationsmaße zu

bekommen, kann die Konzentration der ersten k Merkmalsträger
C(k) wie folgt definiert werden.
k
∑x i k
C ( k ) := i =1
m
= ∑ ai
∑x
i =1
i
i =1
• Dabei ist ai der Anteil des i-ten Merkmalsträgers an der Summe aller
Merkmalsausprägungen.

490
Konzentration der ersten k Merkmalsträger II
• C(k) kann einfach aus der sortierten Urliste bestimmt werden.

• Am Beispiel mit den studentischen Wohnungsgrößen:
Merkmalsträger 2 12 1 7 16 20 3 8 13 17
Merkmalsträger 19 4 6 11 5 9 14 18 10 15
• Es ergibt sich als S = 710. Und damit für

8 16 64
C (1) = ≈ 0.011 C ( 2) = ≈ 0.022 C (6) = ≈ 0.09
710 710 710
184 310 620
C (11) = ≈ 0.259 C (14) = ≈ 0.436 C (19) = ≈ 0.873
710 710 710

491
HERFINDAHL-INDEX

492
Herfindahl-Index
• Ein in der VWL oder bei Marktbeobachtung häufig gebildeter Index

ist der Herfindahl-Index (oder Herfindahl-Hirschmann-Index, kurz
HHI).
• Er ist definiert als
n
∑ xi 2
HHI := i =1
n
( ∑ xi ) 2
i =1
• und hat einen Werteberich von 1/n bis 1.
• Das Beispiel mit den studentischen Wohnraum kommt auf einen

HHI von ungefähr 0.074.

493
Der HHI bei der Wettbewerbsanalyse I

• Ein typischer Anwendungsbereich des HHI ist die Beurteilung der
Marktkonzentration. Dabei werden die Marktanteile aller
Unternehmen in einem Markt genutzt, um die
Anbieterkonzentration zu messen.
• Dabei werden häufig Prozentzahlen nicht als 0.x sondern als x
dargestellt. Außerdem ist der Nenner der HHI-Formel per
definitionem 1 (Summe der Anteile = 1). Deshalb sind die
Wertebereiche für den HHI andere (0 bis 10.000). Eine Konvention
besagt, dass ein HHI von unter 1000 als niedrige, von 1000 bis 1800
als mittelmäßige und über 1800 als starke Marktkonzentration
bezeichnet werden kann.
• Angenommen auf einem Markt gibt es sieben Anbieter mit
folgenden Marktanteilen (MA):
MA1: 20% MA2: 15% MA3: 15% MA4: 15% MA5: 15% MA6: 15% MA7: 5%

494
Der HHI bei der Wettbewerbsanalyse II
• So ergebe sich ein HHI von

HHI := 202 + 5 ⋅ 152 + 52 = 1550
Es läge also ein mittelmäßig konzentrierter Markt vor.

• Würden nun Anbieter 1 und 2 fusionieren, so stiege der HHI auf
HHI := 352 + 4 ⋅ 152 + 52 = 2150
und der Markt wäre hochkonzentriert.

495
LORENZKURVEN UND GINI-KOEFFIZIENT

496
Lorenzkurve I
• Die Lorenzkurve ist eine sehr gute Möglichkeit, die Konzentration zu

visualisieren. Hierzu muss eine geordnete Urliste von ausschließlich
positiven Merkmalsausprägungen vorliegen.
• Nun werden auf der Ordinate die Werte der kumulierten Anteile
der Merkmalssummen Mj bis zum Merkmalsträger j aufgetragen.
• Mj ergibt sich formal als:
j
∑n j ⋅ xj
M j := 100 ⋅ i =1
S

497
Lorenzkurve I
• Nun werden auf der Abszisse die Werte der kumulierten relativen
Häufigkeiten (also der empirischen Verteilungsfunktion)
aufgetragen.
• Hj ergibt sich formal als:
j
H j = 100 ⋅ ∑ hk
k =1
• Ein Streckenzug, der ausgehend vom Ursprung die Punkte

Pi = (Hi, Mi) miteinander verbindet heißt Lorenzkurve. Häufig
wird die Ordinate nicht mit der Prozentzahl (der kumulierten
Merkmalssumme), sondern mit den zugehörigen Werten (den
Quantilen) beschriftet. Diese Lorenzkurve wird als Quantilplot
bezeichnet.

498
Lorenzkurve III
• Die komplexe Definition kann sehr leicht anschaulich dargestellt

werden.
Mj
Referenzlinie
bei Gleichverteilung
50%
Lorenzkurve
25%
25% 50% Hj

499
Lorenzkurve IV
• Für das Beispiel mit den studentischen Wohnraum wurde schon

errechnet:
kumulierte absolute 2 6 11 14 18 20
kumulierte relative 0.1 0.3 0.55 0.7 0.9 1
• Aus den oberen Zeilen lässt sich Mj (an den „Knickstellen“ der
Lorenzkurve) berechnen (Hj ist in der unteren Zeile schon gegeben,
muss nur mit 100 multipliziert werden).

500
Lorenzkurve V
• Es ergibt sich:
kumulierte absolute Häufigkeitsverteilung 2 6 11 14 18 20
Mj 2.25 9.01 25.92 43.66 74.65 100
Hj 10 30 55 70 90 100
• Beispiel für:
8 16
M 1 = 100 ⋅ ≈ 1,16% M 2 = 100 ⋅ ≈ 2,25%
710 710
28
M 3 = 100 ⋅ ≈ 3,94% usw.
710

501
Lorenzkurve VI
• Und damit.
Quantilplot Lorenzkurve
90 qm 100% Mj
55 qm 74.63%
Lorenzkurve
42 qm 43.66%
24 qm 25.92%
12 qm 9.01%
Hj
8 qm 2.25%
10% 30% 55% 70% 90% 100%

502
Lorenzkurve VII

ergibt sich im Zahlenbereich bis 12000€ als Quantilplot:
15000
Quantiles of Monatl. Haushaltsnettoeinkommen (EUR)
0 5000 10000
0 .25 .5 .75 1
Fraction of the data

503
• Lorenzkurven oder Quantilplots sind extreme Verdichtungen von

Informationen. Eine Interpretation ist deshalb nicht immer einfach.
Je nach Datengrundlage ist die Aussage z.T. fundamental
unterschiedlich. Egal wie die in der vorigen Darstellung gezeigte
Einkommensverteilung bewertet wird, sie beruht ausschließlich auf
den Daten von monatlichen Haushaltsnettoeinkommen bis 12000€.
Würden alle verfügbaren Daten (der Stichprobe) genutzt, ergebe
sich die auf der nächsten Folie gezeigt Lorenzkurve (links) – also
eine ggü. dem Beispiel stärkere Konzentration.
• Würden nur die oberen Einkommen (über 8000 €) genutzt ergebe
sich die rechte obere Lorenzkurve. Würden nur mittlere Einkommen
(zwischen 1000€ und 4000€) genutzt ergebe sich die rechte untere
Lorenzkurve.

504
Vorsicht bei der Darstellung III
50000
50000
40000
40000
30000
30000
20000
20000
10000
0 .25 .5 .75 1
10000
4000
0
0 .25 .5 .75 1
1000 2000 3000
0 .25 .5 .75 1

505
Gini-Koeffizient I
• Der Gini-Koeffizient nutzt die in der Lorenzkurve enthaltene

Information, und verdichtet sie zu einer (normierten) Zahl – einem
summarischen Konzentrationsmaß.
• Dazu wird die sogenannte Konzentrationsfläche K zwischen der
Referenzlinie (Hauptdiagonalen) und der Lorenzkurve berechnet
und auf die maximal mögliche Konzentrationsfläche Kmax bezogen.
Mj Mj
Konzentrationsfläche K
Referenzlinie
50% 50%
Kmax
Lorenzkurve
50% Hj 50% Hj

506
Gini-Koeffizient II
• Der Gini-Koeffizient ist nun relativ einfach definiert als:
K
GINI =
K max
• Zuerst werden die beiden Achsen auf 1 normiert. Dies wird einfach
erreicht indem die 100 bei der Bestimmung von Mj und Hj
weggelassen wird (bzw. die Werte durch 100 dividiert werden).

507
Gini-Koeffizient III
• Die Berechnung von K ist recht anschaulich. Es wird einfach die

Summe der einzelnen Trapeze unter den Abschnitten der
Lorenzkurve berechnet und diese dann von der Dreiecksfläche (die
nach der Normierung 0.5 ist) abgezogen.
• Es gilt: Mj
1 m 1
K = − ∑ ⋅ ( M j −1 + M j ) ⋅ h j 50%
2 j =1 2
Mj
Mj-1
hj Hj

508
Gini-Koeffizient IV
• Bei der Berechnung von Kmax muss bedacht werden, dass dies nicht
einfach 0.5 (die gesamte Dreiecksfläche) ist, da mindestens ein
Merkmalsträger die Merkmalssumme haben muss. Wäre dies nicht
so, gäbe es keine Merkmalssumme!
• Die größtmögliche Konzentration ist also gegeben, wenn ein
Merkmalsträger die gesamte Merkmalssumme auf sich vereint.
• Dann muss gelten:
Mj
1 1
K max = −
2 2m Fläche: 1/2m
50%
Kmax
hm = 1/m
50% Hj

509
Gini-Koeffizient V
• Daraus folgt für m Merkmalsträger:

2m m −1
GINI := K ⋅ mit 0 ≤ GINI ≤
m −1 m
• Oder weiter zusammengefasst:
1 m 1 2m m −1
GINI := ( − ∑ ⋅ ( M j −1 + M j ) ⋅ h j ) ⋅ mit 0 ≤ GINI ≤
2 j =1 2 m −1 m
m
m m
⇒ − ⋅ ∑ ( M j −1 + M j ) ⋅ h j
m − 1 m − 1 j =1
m
m
⇒ ⋅ (1 − ∑ ( M j −1 + M j ) ⋅ h j )
m −1 j =1

510
Übung zum Gini-Koeffizienten
• Berechnen Sie aus den Angaben den Gini-Koeffizienten:

kumulierte absolute Häufigkeitsverteilung 2 6 11 14 18 20
Mj 2.25 9.01 25.92 43.66 74.65 100
Hj 10 30 55 70 90 100

511
• Bestimmung der notwendigen Werte:

kumulierte absolute
2 6 11 14 18 20
Mj 2.25 9.01 25.92 43.66 74.65 100
Hj 10 30 55 70 90 100
1. Schritt: hj hinzufügen 0.1 0.2 0.25 0.15 0.2 0.1
2. Schritt: Mj + Mj-1 bilden .0225 .1126 .3493 .6958 1.1831 1.7465
3. Schritt: Trapezflächen
errechnen 1 .001125 .01126 .0436625 .052185 .11831 .087325
⋅ ( M j −1 + M j ) ⋅ h j
2

512
• 4. Schritt: Konzentrationsfläche K bestimmen

1
K= − (0.001125 + 0.01126 + 0.0436625 + 0.052185 + 0.11831 + 0.087325)
2
K = 0.5 − 0.3138675 = 0.1861325
• 5. Schritt: Gini-Koeffizient errechnen (Achtung m entspricht 20

Studenten!):
2m
GINI = K ⋅
m −1
40
⇒ 0.1861325 ⋅ = 0.39185789
19
Ü 513
Übung zum Gini-Koeffizienten – Vorsicht mit der Darstellung I
• Der Wert des Gini Koeffizienten spricht für eine mittlere

Konzentration. Für manche mag es so aussehen, dass die
Lorenzkurve hat aber einen nur mäßigen „Bauch“ hat. Dadurch
kann ein verzerrter optischer Eindruck entstehen, da implizit immer
die gesamte Dreiecksfläche als Referenz genutzt wird.
• Hier muss (gerade bei einer kleinen Anzahl von Beobachtungen)
beachtet werden, dass die Referenz nicht die gesamte
Dreiecksfläche ist (s.v.)
• Deutlich wird dies an einer Verteilung auf zwei Beobachtungen,
dort ist die Referenzfläche „nur“ ¼, also halb so groß wie das
Dreieck unter der Winkelhalbierenden.
• Auf der nachfolgenden Folie sind die wichtigen Flächen für das
Beipiel nochmals eingezeichnet.

514
Übung zum Gini-Koeffizienten – Vorsicht mit der Darstellung II
Quantilplot Lorenzkurve Referenz:

90 qm 100% Mj Kmax = 19/40
Konzentrationsfläche:
0.1861
55 qm 74.63%
42 qm 43.66%
Fläche: 1/40
24 qm 25.92%
12 qm 9.01%
8 qm 2.25% Hj
10% 30% 55% 70% 90% 100%

515
Zusammenfassung I
absolute
Anteil der Merkmalssumme bezogen auf eine (absolute) Anzahl von Merkmalsträgern.
Konzentration
relative
Anteil der Merkmalssumme bezogen auf eine Anteil von Merkmalsträgern.
Konzentration
Konzentration der ∑x i k
ersten k C ( k ) := i =1
m
= ∑ ai Mit ai der Anteil des i-ten Merkmalsträgers an der Summe aller
Merkmalsausprägungen.
Merkmalsträger
∑x
i =1
i
i =1
Herfindahl-Index
∑x i
2
Quotient aus der Summe der quadrierten
HHI := i =1
Merkmalsausprägungen und dem Quadrat der Summe der
HHI n
( ∑ xi ) 2 Merkmalsausprägungen.
i =1

516
Zusammenfassung I
Darstellung der kumulierten Anteile der Merkmalssumme über die kumulierten relativen
Lorenzkurve Häufigkeiten.
(normierter) Quotient aus der Konzentrationsfläche zwischen der Hauptdiagonalen und der
Gini-Koeffizient Lorenzkurve und der maximal möglichen Konzentrationsfläche

517
DESKRIPTIVE STATISTIK IV

518
MEHRDIMENSIONALE HÄUFIGKEITEN

519
Mehrdimensionale Häufigkeiten I - Allgemeines
• Bisher wurde immer ein Merkmal bzw. deren Merkmals-

ausprägungen analysiert (univariate deskriptive Statistik). Häufig
interessieren die Zusammenhänge von mehreren Merkmals-
ausprägungen. Dann müssen mehrdimensionale Häufigkeiten
analysiert werden.
• Nachfolgend werden zunächst nur Häufigkeiten von zwei Variablen
(bivariate deskriptive Statistik) untersucht.
• Ausgangspunkt sind wieder die (Roh)Daten, also die
Merkmalsausprägungen xi und yi, die zu einem Merkmal X und Y
von den i = 1,…,m Merkmalsträgern erhoben wurden.

520
Mehrdimensionale Häufigkeiten II – Urliste I
• Wiederum ergibt sich eine Tabelle, in der die

Merkmalsausprägungen xi und yi den Merkmalsträgern i zugordnet
werden, die (bivariate) Urliste.
Merkmalsausprägung y1 y2 y3 … ym
• Eine Sortierung ist nun nicht mehr eindeutig möglich, da zunächst

entschieden werden muss, welches Merkmal ausschlaggebend für
die Sortierung sein soll.

521
Mehrdimensionale Häufigkeiten III – Urliste II
• Angenommen Sie haben neben den Statistiknoten, von 10

Studenten auch deren Abiturnote erfragt. Die folgende Tabelle sei
die (bivariate) Urliste.
Statistiknote 1.3 2.3 5.0 4.0 3.3 3.7 4.0 1.3 1.0 5.0
Abiturnote 2.3 2.0 3.3 3.0 3.3 2.0 3.0 1.3 2.3 2.0

522
KREUZTABELLEN UND SCATTERPLOTS

523
Mehrdimensionale Häufigkeiten IV – Streudiagramm I
• Die Werte(paare) lassen sich in einem Koordinatensystem

darstellen, es ergibt sich ein sogenanntes Streudiagramm
(Scatterplot).
• Im Beispiel mit den Noten ergibt sich:
5
4
Abiturnote
32
1
1.5 2 2.5 3 3.5

Statistiknote

524
Mehrdimensionale Häufigkeiten V – Streudiagramm II
• Die „Form“ der entstehenden „Punktwolke“ zeigt erste

Zusammenhänge auf:
gleichläufiger gegenläufiger
15
10
Zusammenhang Zusammenhang
5
10
var2
var3
0
5
-5
-10
0
0 2 4 6 8 10 0 2 4 6 8 10
var1 var1
10
8
kein
6
Zusammenhang
var4
4 2
0
0 2 4 6 8 10
var1

525
Mehrdimensionale Häufigkeiten VI – Streudiagramm III
• Die „Form“ der entstehenden „Punktwolke“ zeigt erste

Zusammenhänge auf:
– gleichläufiger Zusammenhang: Zunehmende Werte von xi führen zu
zunehmenden Werten von yi.
– gegenläufiger Zusammenhang: Zunehmende Werte von xi führen zu
abnehmenden Werten von yi.
– kein Zusammenhang: Es ergibt sich kein (systematischer)
Zusammenhang zwischen von xi und yi.

526
Mehrdimensionale Häufigkeiten VII – Streudiagramm IV
• Je „schmaler“ die Punktwolke ist, desto deutlicher ist der

Zusammenhang. Hier am Beispiel eines gleichläufigen
Zusammenhangs:
15
15
10
10
var3
var2
5
5
0
0
0 2 4 6 8 10 0 2 4 6 8 10
var1 var1
15
10
8
10
6
var5
var4
4
5
2
0
0
0 2 4 6 8 10 0 2 4 6 8 10
var1 var1

527
Mehrdimensionale Häufigkeiten VIII – Streudiagramm V

des Jahres 2016 (im Zahlenbereich bis 12000€) könnte
beispielsweise die Wohnungsgröße (in qm), dem Einkommen
gegenübergestellt werden. Es ergibt sich:
5000 0 10000 15000
0 100 200 300 400 500

Wohnflaeche in qm

528
Mehrdimensionale Häufigkeiten VIII – Kreuztabellen I

• Eine tabellarische Gegenüberstellung der beiden Merkmals-
ausprägungen wird als Kontigenz-, Korrelations- oder einfach als
Kreuztabelle bezeichnet. Sie ist die gemeinsame
(Häufigkeits)Verteilung der beiden Merkmale.
• Dazu werden die Merkmalsausprägungen xi und yi in einer Tabelle
gegenübergestellt und in die sich ergebenden Tabellenfelder die
absoluten Häufigkeiten nkl der Merkmalskombination xi und yi
eingetragen.
• Die absoluten Häufigkeiten nkl einer Wertekombination xk und yl ist
die Anzahl der Merkmalsträger i, bei denen die
Merkmalsausprägung den Wert xk und yl annimmt. Da es immer
sein, kann dass einzelne xi oder yi Werte mehrfach vorkommen,
wurde ein neuer Index k bzw l erstellt. Es muss gelten k ≤ m und
l ≤ m.

529
Mehrdimensionale Häufigkeiten IX – Kreuztabellen II
• Genau wie bei den univariaten Häufigkeitsverteilungen kann auch

die relative Häufigkeit hkl der Wertekombination xk und yl als nkl/m
definiert und in der Kreuztabelle aufgeführt werden.
• Es ergeben sich:
Kreuz- x1 x2 … xk Kreuz- x1 x2 … xk
tabelle tabelle
y1 n11 n12 … n1k y1 h11 h12 … h1k
y2 n21 n22 … n2k y2 h21 h22 … h2k
… … … … … … … … … …
yl nl1 nl2 … nlk yl hl1 hl2 … hlk

530
Mehrdimensionale Häufigkeiten X – Kreuztabellen III
• Für das Beispiel mit den Noten ergibt sich aus:

Statistiknote (xi) 1.3 2.3 5.0 4.0 3.3 3.7 4.0 1.3 1.0 5.0
Abiturnote (yi) 2.3 2.0 3.3 3.0 3.3 2.0 3.0 1.3 2.3 2.0
• als Kreuztabelle (mit absoluten Werten) :

Kreuz- x1 x2 x3 x4 x5 x6 x7
tabelle 1.0 1.3 2.3 3.3 3.7 4.0 5.0
y1 (1.3) 1
y2 (2.0) 1 1 1
y3 (2.3) 1 1
y4 (3.0) 1
y5 (3.3) 1

531
Mehrdimensionale Häufigkeiten XI – Kreuztabellen IV
• Die Kreuztabelle kann unabhängig vom Merkmalstyp (Skalenniveau)

immer aufgestellt werden.
• Häufig ist es für eine übersichtliche Darstellung zweckmäßig, beide
Merkmale vorher geeignet zu klassieren.
• Auch hier besteht wieder der Zusammenhang der Länge und Breite
der Kreuztabelle mit dem Skalenniveau und den Verteilungen der
Merkmalausprägungen.

532
Mehrdimensionale Häufigkeiten XII – Kreuztabellen V
• Denn Netto-Haushaltsmonatseinkommen im Jahr 2010 sollen nun

die Wohnungsgrößen gegenübergestellt werden.
• Um einen besseren Eindruck in dem Beispiel mit den Netto-
Haushaltsmonatseinkommen im Jahr 2016 zu bekommen, wurden
sie in vier Klassen eingeteilt:
– Klasse 1: von 0€ bis 1500 €
– Klasse 2: von 1501€ bis 3000€
– Klasse 3: von 3001€ bis 5000€
– Klasse 4: ab 5001€ Klasse Freq. Percent Cum.
• Zur Erinnerung: 1 5,414 31.89 31.89

2 6,507 38.33 70.22
3 3,719 21.91 92.13
4 1,336 7.87 100.00
Total 16,976 100.00

533
• Genauso wird mit den Wohnungsgrößen verfahren:

– Klasse 1: von 6m² bis 24m²
– Klasse 4: ab 200m²
• Es ergib sich mit:
Klasse2 Freq. Percent Cum.
gen Klasse2 = 1 if size16 >= 6 & size16 <= 24
replace Klasse2 = 2 if size16 > 24 & size16 <= 80 1 207 1.27 1.27
replace Klasse2 = 3 if size16 > 80 & size16 <= 200 2 6,917 42.35 43.61
replace Klasse2 = 4 if size16 > 200 3 8,805 53.91 97.52
4 405 2.48 100.00
tab Klasse2 if hinc16 <12000
Total 16,334 100.00

534
• Es ergibt sich:
tab Klasse Klasse2 if hinc16 <=12000
Klasse2
Klasse 1 2 3 4 Total
1 168 3,119 947 12 4,246

2 22 2,823 3,428 72 6,345
3 3 636 2,936 142 3,717
4 1 74 1,049 149 1,273
Total 194 6,652 8,360 375 15,581

535
RANDVERTEILUNGEN

536
Mehrdimensionale Häufigkeiten XIII – Randverteilungen I
• Es können jeweils Zeilenweise oder Spaltenweise die Summen

gebildet werden. Es ergibt sich mit:
l k l k
n• j ∑=
n bzw. n
ij i•
i 1 =j 1
∑n ij =h• jij i•
=i 1 =j 1
∑=
h bzw. h ∑ h ij
Kreuz- x1 x2 … xk Kreuz- x1 x2 … xk
tabelle
tabelle
y1 h11 h12 … h1k h1●
y1 n11 n12 … n1k n1●
y2 h21 h22 … h2k h2●
y2 n21 n22 … n2k n2●
… … … … … …
… … … … … …
yl hl1 hl2 … Hlk hl●
yl nl1 nl2 … nlk nl●
h●1 h●2 … h●k 1
n●1 n●2 … n●k m

537
Mehrdimensionale Häufigkeiten XIV – Randverteilungen II

• Es gilt:
k l l k k l
∑∑ n= ∑ n =
=j 1 =i 1
ij
=i 1
i• m= ∑ n = ∑∑ n
=j 1
•j
=j 1 =i 1
ij
k l l k k l
∑∑ h = ∑ h =
=j 1 =i 1
ij
=i 1
i• 1= ∑ h = ∑∑ h
=j 1
•j
=j 1 =i 1
ij
• ni● und n ● j heißen absolute Randverteilungen (-häufigkeiten). Es

mit hi● und h ● j auch relative Randverteilungen (-häufigkeiten) und
es können (zumindest bei ordinalen und kardinalen Skalenniveaus)
auch kumulierte Randverteilungen gebildet werden.
• Diese Randverteilungen sind im Grunde nichts anderes als die
einfachen (Häufigkeits)Verteilungen der jeweiligen Merkmale.
• Werden nur diese betrachtet, so gehen wichtige Informationen
verloren und es können keine Aussagen zu den Zusammenhängen
der beiden Merkmale getroffen werden.

538
Mehrdimensionale Häufigkeiten XV – Übersicht

Kreuztabelle x1 x2 … xk Absolute Kumulierte
und abs. und
relative rel. Rand-
Rand- häufigkeit
häufigkeit
mit:
y1 n11 n12 … n1k n1● N1●
h11 h12 h1k h1● H1● nkl
hkl =
y2 n21 n22 … n2k n2● N2● m
h21 h22 h2k h2● H2● k l
… … … … … …
=
…
ni• ij •j
=j 1 =i 1
∑=
n bzw. n ∑n ij
yl nl1 nl2 … nlk nl● m k l
hl1 hl2 hlk hl● =

1 hi•
=j 1 =i 1
∑=
hij bzw. h• j ∑h ij
Absolute und n●1 n●2 … n●k m

relative h●1 h●2 h●k 1
Randhäufigkeit
Kumulierte abs. N●1 N●2 … m
und rel. H●1 H●2 1
Randhäufigkeit

539
Mehrdimensionale Häufigkeiten – Übung I
• Für das Beispiel mit den Studentenwohnungen sei auch noch die
Zahl der Bewohner bekannt.
Wohnungsgröße 12 8 24 42 55 42 12 24 55 90
Bewohner 1 1 2 2 3 2 1 1 3 3
Merkmalsträger 11 12 13 14 15 16 17 18 19 20
Wohnungsgröße 42 8 24 55 90 12 24 55 24 12
Bewohner 2 1 1 2 4 2 1 2 2 1
• Bestimmen Sie die Kreuztabelle und die absoluten und relative

Randverteilung

540
Mehrdimensionale Häufigkeiten – Übung I

• Kumulierte absolute und relative Häufigkeiten:
Merkmalsausprägung 8 12 24 42 55 90 Abs. Rel.
1 2 3 3 8 .4
2 1 2 3 2 8 .4
3 2 1 3 .15
4 1 1 .05
Abs. Randverteilung 2 4 5 3 4 2 20
Rel. Randverteilung .1 .2 .25 .15 .2 .1 1

541
Mehrdimensionale Häufigkeiten – Übung II

• Gegeben seien die folgende Werte für die studentische Wohnungsgröße
und die Anzahl der Bewohner.
1 ? 10 5 10 45
2 ? 20 10 5 ?
3 5 5 10
4 5 5
Abs. Randverteilung 20 10 ? 30 ? 15 ?
Rel. Randverteilung ? .1 .1 .3 .15 .15 1
• Bestimmen Sie die fehlenden, mit „?“ gekennzeichneten, Werte

542
Mehrdimensionale Häufigkeiten – Übung II

1 20 10 5 10 45
2 5 20 10 5 40
3 5 5 15
4 5 5
Abs. Randverteilung 20 10 10 30 15 15 100
Rel. Randverteilung .2 .1 .1 .3 .15 .15 1

543
ZUSAMMENHANGSMAßE

544
Maße des Zusammenhangs

• Bei mehrdimensionalen Häufigkeiten gibt es neben den Lage-und
Streuungsmaßen und den Maßen für Schiefe und Wölbung auch
Maße des Zusammenhangs, die im Folgenden vorgestellt werden.
• Diese Maße versuchen in einer Kennzahl die Stärke (und die
Richtung) des Zusammenhangs auszudrücken.
• Vorgestellt werden:
– Die (empirische) Kovarianz
– Der Korrelationskoeffizient (Pearsons r)
– Der Rangkorrelationskoeffizient (Spearmans r)
– Das Bestimmtheitsmaß (r²)
– Der Kontingenzkoeffizient (Pearsons P) und χ²
– Der Phi-Koeffizient (φ)
– Cramers V (V)

545
Die (empirische) Kovarianz I
• Die sich aus den Merkmalsausprägungen xi und yi ergebenden

Wertepaare können genutzt werden um die „Streuung um die
Mittelwerte“ zu berechnen.
• Im Grunde ist dieses Maß also ein Streuungsmaß der gemeinsamen
Verteilung der Merkmale X und Y.
• Formal ergib sich die (empirische) Kovarianz als:
1 n
s XY := ⋅ ∑ ( xi − x ) ⋅ ( yi − y )
n i =1
• Durch Äquivalenzumformung kann dies vereinfacht werden zu:
1 n
s XY := ( ⋅ ∑ xi ⋅ yi ) − x ⋅ y
n i =1
Diese Form ist zur Berechnung deutlich einfacher.

546
Die (empirische) Kovarianz II
• Grafische Veranschaulichung:
– Es wird in das Streudiagramm ein Hilfskoordinatensystem
eingezeichnet, dessen Ursprung die jeweiligen Mittelwerte von X und
Y sind. Es werden also
1 n 1 n
x := ⋅ ∑ xi bzw. y := ⋅ ∑ yi
n i =1 n i =1
bestimmt.
– Der Punkt, der durch diese Mittelwerte gebildet wird, wird
Schwerpunkt der Punktewolke genannt. Die Achsen geben den
Abstand zu diesem Schwerpunkt an, sie werden deshalb mit
( xi − x ) bzw. ( yi − y )
Bezeichnet.

547
Die (empirische) Kovarianz III
• Grafische Veranschaulichung (Fortsetzung):

– Alle Wertekombinationen xi und yi bilden nun zum Schwerpunkt ein
Rechteck, dessen Fläche durch
( xi − x ) ⋅ ( yi − y )
bestimmt wird.
– Alle Rechteckflächen im oberen rechten und im unteren linken
Quadranten des Hilfskoordinatensystems werden addiert und alle
Rechteckflächen im unteren rechten und oberen linken Quadranten
werden subtrahiert. Das Ergebnis dieser Operation wird durch die
Anzahl der Punkte geteilt, um die Kovarianz zu erhalten.

548
Die (empirische) Kovarianz IV
y y-y
Es gilt:
• gleichläufiger Zusammen-
- + hang: positive Kovarianz
• gegenläufiger Zusammen-
hang: negative Kovarianz
y x-x • kein Zusammenhang:
Kovarianz nahe Null
+ -
x
x

549
Der Korrelationskoeffizient (Pearsons r) I
• Die Kovarianz ist immer nur für den betrachteten Fall

interpretierbar, da die ihre Größenordnung nicht normiert ist. Ein
Vergleich mit anderen Daten ist damit nicht möglich.
• Deshalb wird die Kovarianz auf Werte zwischen -1 und 1 normiert.
• Der Quotient mit:
1 n
rXY :=
s XY s XY := ⋅ ∑ ( xi − x ) ⋅ ( yi − y )
s X ⋅ sY n i =1
1 n
wird als Korrelationskoeffizient r s X := ⋅ ∑ ( xi − x ) 2
n i =1
(Pearsons r) zwischen X und Y
bezeichnet. Für SX = 0 oder SY = 0 1 n
sY := ⋅ ∑ ( yi − y ) 2
ist er nicht definiert. n i =1

550
Der Korrelationskoeffizient (Pearsons r) II
• Eingesetzt ergibt sich:

1 n
⋅ ∑ ( xi − x ) ⋅ ( yi − y )
s XY n i =1
rXY := ⇔
s X ⋅ sY 1 n 1 n
⋅ ∑ ( xi − x ) ⋅
2
⋅ ∑ ( yi − y ) 2
n i =1 n i =1
1 n 1 n
⋅ ∑ ( xi − x ) ⋅ ( yi − y ) ⋅ ∑ ( xi − x ) ⋅ ( yi − y )
n i =1 n i =1
⇒ ⇒
n n
1 1 1 n n
⋅ ∑ ( xi − x ) 2 ⋅ ⋅ ∑ ( yi − y ) 2 2 ∑
⋅ ( xi − x ) ⋅ ∑ ( yi − y ) 2
2
n i =1 n i =1 n i =1 i =1
1 n n
⋅ ∑ ( xi − x ) ⋅ ( yi − y ) ∑ ( x − x) ⋅ ( y − y)
i i
n i =1
⇒ ⇒ i =1
n n n n
1
n
⋅ ∑ ( x − x) ⋅ ∑ ( y − y)
i =1
i
2
i =1
i
2
∑ ( x − x) ⋅ ∑ ( y − y)
i =1
i
2
i =1
i
2

551
Der Korrelationskoeffizient (Pearsons r) III
• r ist ein Maß des linearen Zusammenhangs der beiden Merkmale

• Das Vorzeichen von r bestimmt über den Zusammenhang:
– r > 0 => gleichläufiger (positiver) linearer Zusammenhang
– r < 0 => gegenläufiger (negativer) linearer Zusammenhang
– r = 0 => kein linearer Zusammenhang
• Es gilt weiter:
– r = 1 => perfekt linear positiver Zusammenhang (alle Punkte der
Punktwolke liegen auf einer steigenden Geraden)
– r = -1 => perfekt linearer negativer Zusammenhang (alle Punkte der
Punktwolke liegen auf einer fallenden Geraden)
• Jede lineare Transformation der Daten, ändert r nicht.

552
Der Korrelationskoeffizient (Pearsons r) IV
• Da r auf Werte zwischen -1 und 1 normiert wurde, können typische

Zusammenhänge definiert werden, die eine Klassifikation erlauben.
Eine gängige Konvention ist:
– 0,8 < |r| ≤ 1,0 => starker Zusammenhang
– 0,6 < |r| ≤ 0,8 => mäßiger Zusammenhang
– 0,4 < |r| ≤ 0,6 => schwacher Zusammenhang
– 0,2 < |r| ≤ 0,4 => sehr schwacher Zusammenhang
– 0,0 < |r| ≤ 0,2 => zu vernachlässigender Zusammenhang

553
Hinweise zur Kovarianz und Korrelationskoeffizient (Pearsons r)
• Die Kovarianz und Korrelationskoeffizient (Perasons r) sind nur für

kardinale Merkmale sinnvoll interpretierbar.
• Bei gruppierten Merkmalen werden die xi bzw. yi durch die
Klassenmitten und das arithmetische Mittel durch den geschätzten
(linear interpolierten) arithmetischen Mittelwert berechnet.

554
Hinweise zur Berechnung von Kovarianz und Korrelationskoeffizient I
• Zur eigenständigen Berechnung der Kovarianz und des

Korrelationskoeffizienten ist es zweckmäßig, die einzelnen
Bestandteile der Bestimmungsgleichungen: n
1 n ∑ ( xi − x ) ⋅ ( yi − y )
s XY := ⋅ ∑ ( xi − x ) ⋅ ( yi − y ) rXY :=
n
i =1
n
n i =1
∑ ( xi − x) ⋅ ∑ ( yi − y )2
2
i =1 i =1
in Tabellenform aufzuschreiben.
• Zur Bestimmung der Kovarianz wird benötigt:
i, xi , yi , xi − x , yi − y und ( xi − x ) ⋅ ( yi − y )
• Zur Bestimmung des Korrelationskoeffizienten zusätzlich:
2
( xi − x ) 2 und ( yi − y )

555
Hinweise zur Berechnung von Kovarianz und Korrelationskoeffizient II
i xi yi xi − x yi − y ( xi − x ) ⋅ ( yi − y ) ( xi − x ) 2 ( yi − y ) 2
1 x1 y1
1 4
… … … 5 8
n xn yn
n
∑i =1 2 6 9
1 n
⋅∑ x y 7
n i =1 3
7 = Kovarianz
6 9 Einsetzen, um Korrelationskoeffizienten zu bestimmen

556
Hinweise zur Berechnung von Kovarianz und Korrelationskoeffizient I
• In größeren Datensätzen wird die Berechnung fast immer von

Software übernommen.
• Dabei wird manchmal die Varianz und die Kovarianz mit einem
Faktor korrigiert, so dass die Ergebnisse nicht immer mit dem
vorstehend vorgestellten Berechnungsweg übereinstimmen.
• Auf diese Unterscheidung wird noch am Anfang des Abschnitts
schließende Statistik eingegangen.

557
Kovarianz und Korrelationskoeffizient (Pearsons r) – Übung
• Bestimmen Sie die Kovarianz und den Korrelationskoeffizienten für

das Beispiel mit den studentischen Wohnungsgrößen.
• Charakterisieren Sie den Zusammenhang.
• Nutzen Sie hierzu zunächst die Tabelle auf der nachfolgenden Folie
und füllen diese vollständig aus.

558
1 12 1
2 8 1
3 24 2
4 42 2
5 55 3
6 42 2
7 12 1
8 24 1
9 55 3
10 90 3
11 42 2
12 8 1
13 24 1
14 55 2
15 90 4
16 12 2
17 24 1
18 55 2
19 24 2
20 12 1
n 710
∑ i =1
1 n
⋅∑ 35.5
n i =1

559
1 12 1 -23.5 -0.85 19.975 552.25 0.7225
2 8 1 -27.5 -0.85 23.375 756.25 0.7225
3 24 2 -11.5 0.15 -1.725 132.25 0.0225
4 42 2 6.5 0.15 0.975 42.25 0.0225
5 55 3 19.5 1.15 22.425 380.25 1.3225
6 42 2 6.5 0.15 0.975 42.25 0.0225
7 12 1 -23.5 -0.85 19.975 552.25 0.7225
8 24 1 -11.5 -0.85 9.775 132.25 0.7225
9 55 3 19.5 1.15 22.425 380.25 1.3225
10 90 3 54.5 1.15 62.675 2970.25 1.3225
11 42 2 6.5 0.15 0.975 42.25 0.0225
12 8 1 -27.5 -0.85 23.375 756.25 0.7225
13 24 1 -11.5 -0.85 9.775 132.25 0.7225
14 55 2 19.5 0.15 2.925 380.25 0.0225
15 90 4 54.5 2.15 117.175 2970.25 4.6225
16 12 2 -23.5 0.15 -3.525 552.25 0.0225
17 24 1 -11.5 -0.85 9.775 132.25 0.7225
18 55 2 19.5 0.15 2.925 380.25 0.0225
19 24 2 -11.5 0.15 -1.725 132.25 0.0225
20 12 1 -23.5 -0.85 19.975 552.25 0.7225

n 710 37
∑ i =1
362.5 11971 14.55
1 n
⋅∑ 35.5 1.85
18.125
n i =1

560
Kovarianz und Korrelationskoeffizient (Pearsons r) – Übung
• Als Korrelationskoeffizient ergibt sich:

n
∑ ( x − x) ⋅ ( y − y)
i i
362.5
rXY := i =1
⇒ ≈ 0.8685
n n
11971 ⋅ 14.55
∑ ( x − x) ⋅ ∑ ( y − y)
i =1
i
2
i =1
i
2
• Der Zusammenhang ist ein starker linear positiver.

561
Der Rangkorrelationskoeffizient (Spearmans r)
• Da der Korrelationskoeffizient (Pearsons r) nur bei kardinalen

Merkmalen sinnvoll interpretierbar ist, wird für ordinale Merkmale
ein anderes Maß – der Rangkorrelationskoeffizient – genutzt.
• Dazu werden die Merkmalsausprägungen zunächst der Größe nach
sortiert und die Rangplätze nummeriert.
• Treten zwei oder mehrere gleich große Werte auf, so wird zunächst
einfach durchnummeriert und anschließend den gleichen Werten
das arithmetische Mittel der Rangplätze zugewiesen.
• Seien rg(X) und rg(Y) die (jeweils) neu bestimmten Rangwerte der
Merkmale X und Y, dann ergibt sich Spearmans rSP als:
srg ( X ) rg (Y )
rXY :=
Sp
srg ( X ) ⋅ srg (Y )

562
Rangkorrelationskoeffizient (Spearmans r) – Übung

• Bestimmen Sie den Rangkorrelationskoeffizienten für das Notenbeispiel.
Statistiknote (xi) 1.3 2.3 5.0 4.0 3.3 3.7 4.0 1.3 1.0 5.0
Abiturnote (yi) 2.3 2.0 3.3 3.0 3.3 2.0 3.0 1.3 2.3 2.0
• „Übersetzen“ sie zunächst die jeweiligen Noten in Rangreihen.
– Zunächst komplett durchnummerieren,
– dann Mehrfachnennungen entsprechend anpassen.
rg[Statistiknote (xi)] 2 4 9 7 5 6 8 3 1 10
rg[Abiturnote (yi)] 5 2 9 7 10 3 8 1 6 4
rg[Statistiknote (xi)] 2.5 4 9.5 7.5 5 6 7.5 2.5 1 9.5
rg[Abiturnote (yi)] 5.5 3 9.5 7.5 9.5 3 7.5 1 5.5 3

563
Rangkorrelationskoeffizient (Spearmans r) – Übung

• Anschließend kann mit rg(xi) und rg(yi) der
Rangkorrelationskoeffizient bestimmt werden.
i rg ( xi ) rg ( yi ) xi − x yi − y ( xi − x ) ⋅ ( yi − y ) ( xi − x ) 2 ( yi − y ) 2
1 2.5 5.5 -3 0 0 9 0
2 4 3 -1.5 -2.5 3.75 2.25 6.25
3 9.5 9.5 4 4 16 16 16
4 7.5 7.5 2 2 4 4 4
5 5 9.5 -0.5 4 -2 0.25 16
6 6 3 0.5 -2.5 -1.25 0.25 6.25
7 7.5 7.5 2 2 4 4 4
8 2.5 1 -3 -4.5 13.5 9 20.25
9 1 5.5 -4.5 0 0 20.25 0
10 9.5 3 4 -2.5 -10 16 6.25

n
∑ i =1
55 55 28 81 79
1 n
⋅∑ 5.5 5.5 2.8
n i =1
• Als Rangkorrelationskoeffizient ergibt sich: rXYSp = 28

≈ 0.35
81 ⋅ 79

564
Das Bestimmtheitsmaß (r²)
• Das Bestimmtheitsmaß r² lässt sich einfach aus dem

Korrelationskoeffizienten bestimmen, indem der
Korrelationskoeffizient quadriert wird:
Bestimmtheitsmaß r 2 := r 2
• Es lässt sich als Anteil der Varianz eines Merkmals interpretieren,
die durch das andere Merkmal „hervorgerufen“ wird.
• Durch das Quadrat ist r² zwischen 0 und 1 normiert (und nicht
zwischen -1 und 1).

565
Maße des Zusammenhangs - Beispiel

des Jahres 2016 (im Zahlenbereich bis 12000€), die der
Wohnungsgröße (in qm) gegenübergestellt werden, ergibt sich:
– Eine Kovarianz i.H.v. 53070.7 [€m²]

– und ein Korrelationskoeffizient von 0.6147 und damit
– ein Bestimmtheitsmaß von 3778

566
Kontingenzmaße I
• Bisher wurde von kardinalem oder ordinalem Skalenniveau

(Merkmalstyp) ausgegangen.
• Es gibt aber auch Kennzahlen, die für Kreuztabellen mit nominalen
Skalenniveau (Merkmalstypen) der Merkmale etwas ähnliches
leisten sollen wie der Korrelationskoeffizient r für das
Streuungsdiagramm.
• Der Zusammenhang zwischen Merkmalen mit nominalen
Skalenniveau (Merkmalstypen) wird „Kontingenz“ („Assoziation“)
genannt und die zugehörigen Maße Kontingenzmaße
(„Assoziationsmaß“).
• Die Kontingenzmaße erlauben zwar eine Abstufung nach der Stärke
des Zusammenhangs, aber meistens keine Aussage über die
„Richtung“ (gleich- oder gegenläufig).

567
Kontingenzmaße II
• Kontingenzmaße sollten idealerweise die nachfolgenden

Eigenschaften aufweisen:
– Der Wert 0 entspricht der (statistischen) Unabhängigkeit von X und Y.
– Der Zusammenhang nimmt bei zunehmenden Wert des
Kontingenzmaßes zu.
– Das Kontingenzmaß „bläst sich nicht auf“ bei zunehmender
Tafelgröße, d.h. der Zusammenhang soll „im Verhältnis zu k und l“
gemessen werden.
– Es wird 1 als Maß für den maximalen Zusammenhang erreicht.

568
Der Kontingenzkoeffizient (Pearsons P) und χ² I
• Ausgangpunkt der Überlegung ist die Kreuztabelle zweier Merkmale

X und Y.
Kreuztabelle x1 x2 … xk Absolute
und
relative
Rand-
häufigkeit
y1 n11 n12 … n1k n1●
h11 h12 h1k h1● mit:
y2 n21 n22 … n2k n2●
h21 h22 h2k h2● hkl =
nkl
… … … … … … m
k l
yl nl1
hl1
nl2
hl2
… nlk
hlk
nl●
=
hl●
=
ni• = ∑
nij bzw. n• j
j 1 =i 1
nij ∑
Absolute und n●1 n●2 … n●k m
k l
relative h●1 h●2 h●k

=
1
hi• =
hij bzw. h• j
=j 1 =i 1
∑
hij ∑
Randhäufigkeit

569
Der Kontingenzkoeffizient (Pearsons P) und χ² II
• Ausgangspunkt der Überlegung ist die Kreuztabelle zweier

Merkmale X und Y von denen mindestens eine nominal skaliert ist
(natürlich „funktioniert“ es auch für ordinale und kardinale Werte).
• Die gemeinsame Verteilung der beiden Merkmal wäre statistisch
unabhängig, wenn sich die gemeinsame Verteilung aus dem
Produkt der zugehörigen Randverteilungen (mit i = 1,…,l und
j = 1,…,k) ergäbe:
hij = h• j ⋅ hi•
• Mit absoluten Häufigkeiten ergibt sich mit Eij als dem bei
statistischer Unabhängigkeit angenommenen (hypothetischen)
Wert:
n• j ⋅ ni•
Eij = m ⋅ hij = m ⋅ h• j ⋅ hi• =
m

570
Der Kontingenzkoeffizient (Pearsons P) und χ² III
• Eij muss nicht ganzzahlig sein.

• Die Abweichung der tatsächlichen Werte nij von den hypothetischen
Werten Eij ist ein Maß für die Abweichung. Formal:
nij − Eij
• Diese Abweichungen werden quadriert und (jeweils) durch Eij

geteilt. Die Summe dieser relativen quadratischen Abweichungen
wird als χ²-Koeffizient bezeichnet.
l k
( nij − Eij ) 2
χ 2 := ∑∑
i =1 j =1 Eij

571
Der Kontingenzkoeffizient (Pearsons P) und χ² IV
• Der χ²-Koeffizient kann potenziell unendlich groß werden. Dies ist

insbesondere bei großen m der Fall. Deshalb wird der χ²-Koeffizient
wie folgt zum Kontingenzkoeffizienten (Pearsons P) normiert:
χ2
P :=
χ2 + m
min(k , l ) − 1
• Der Wertebereich ist nun von 0 bis min(k , l )
<1
wobei k die Anzahl der Spalten und l die Anzahl der Zeilen der
Kreuztabelle ist.
• Um einen Wert von 0 bis 1 zu erhalten, kann P als korrigierter
Kontingenzkoeffizient ausgedrückt werden.
χ 2
⋅ min(k , l )
P korr :=
( χ 2 + m ) ⋅ (min(k , l ) − 1)

572
Der Phi-Koeffizient (φ) und Cramers V
• Als φ-Koeffizient wird definiert:

χ2
φ :=
m
• Auch der φ-Koeffizient ist nicht auf 0 bis 1 normiert. Dies wird durch
Cramers V erreicht:
χ2 φ
V := =
m ⋅ min((k − 1), (l − 1)) min((k − 1), (l − 1))

573
Kontingenzmaße – Beispiel I
• Es sei die folgende Kreuztabelle gegeben, die das Geschlecht

verschiedenen Konfektionsgrößen zuordnet:
Groß Mittel Klein
männlich 10 15 30
weiblich 20 15 10
• Die Frage ist nun, ob es (in diesem Beispiel) einen Zusammenhang
zwischen dem Geschlecht und der Konfektionsgröße gibt.
• Die Kovarianz oder (Rang)Korrelationskoeffizienten sind nicht
bestimmbar, da die Merkmale nicht (mindestens) ordinal skaliert
sind, es müssen also Kontingenzmaße herangezogen werden.

574
Kontingenzmaße – Beispiel II
• Bestimmung der absoluten und relativen Randhäufigkeiten (RH)

ergibt:
Tab. 1 Groß Mittel Klein abs. RH rel. RH
männlich 10 15 30 55 0.55
weiblich 20 15 10 45 0.45
abs. RH 30 30 40 100
rel. RH 0.3 0.3 0.4 1

575
Kontingenzmaße – Beispiel III
• Um χ² zu bestimmen werden zunächst die Werte berechnet, die bei

statistischer Unabhängigkeit erwartet würden. Es wird also Eij
bestimmt. Es wird auch die Differenz zu den gegebenen Werten
(nij- Eij) in Klammern angegeben.

männlich 16.5 (-6.5) 16.5 (-1.5) 22 (8) 55 0.55
weiblich 13.5 (6.5) 13.5 (1.5) 18 (-8) 45 0.45
abs. RH 30 30 40 100
rel. RH 0.3 0.3 0.4 1

576
Kontingenzmaße – Beispiel IV
• Die in Tabelle 2 (in Klammern) stehenden Abweichungen werden

quadriert und durch Eij geteilt. Es ergibt sich:
Tab. 3 Groß Mittel Klein

männlich 2.561 0.136 2.909
weiblich 3.130 0.167 3.556
• Nun errechnet sich χ² als:

l k
( n − E ) 2
χ 2 := ∑∑ ij ij
i =1 j =1 Eij
⇒ 2.561 + 0.136 + 2.909 + 3.130 + 0.167 + 3.556 = 12.458

577
Kontingenzmaße – Beispiel V
• Es ergibt sich ferner der Kontingenzkoeffizient:
χ2 12.458
P := ⇒ ≈ 0.3328
χ +m
2
12.458 + 100
• P kann nur Werte aus dem Wertebereich von 0 bis √½ (rd. 0.7107)
annehmen. Deshalb wird der korrigierte Kontingenzkoeffizient
bestimmt:
χ 2
⋅ min(k , l ) 12.458 ⋅ min(3,2)
P korr := ⇒
( χ 2 + m) ⋅ (min(k , l ) − 1) (12.458 + 100) ⋅ (min(3,2) − 1)
12.458 ⋅ 2
⇒ ≈ 0.47
(12.458 + 100)

578
Kontingenzmaße – Beispiel VI
• Es ergibt sich ferner der φ-Koeffizient als:
χ2 12.458
φ := ⇒ ≈ 0.3529
m 100
• Und schließlich ergibt sich Cramers V (in diesem Fall mit dem φ-
Koeffizient identisch):
χ2 φ
V := =
m ⋅ min((k − 1), (l − 1)) min((k − 1), (l − 1))
12.458 12.458 12.458
⇒ = =
100 ⋅ min((3 − 1), ( 2 − 1)) 100 ⋅ min(2,1) 100
φ
= = φ ≈ 0.3529
1
579
Kontingenzmaße – Übung
• Es sei die folgende Kreuztabelle gegeben, die den Geburtsort den

verschiedenen Konfektionsgrößen zuordnet:
Groß Mittel Klein
Berlin 30 32 28
München 25 30 45
Hamburg 15 18 17
• Die Frage ist nun, ob es (in diesem Beispiel) einen Zusammenhang

zwischen dem Geburtsort und der Konfektionsgröße gibt.
Berechnen Sie hierzu χ², P, Pkorr, φ und V.

580
• Bestimmung der absoluten und relativen Randhäufigkeiten (RH)

ergibt:
Berlin 30 32 28 90 0.375
München 25 30 45 100 0.417
Hamburg 15 18 17 50 0.208
abs. RH 70 80 90 240
rel. RH 0.292 0.333 0.375 1

581
• Um χ² zu bestimmen werden zunächst die Werte berechnet, die bei

statistischer Unabhängigkeit erwartet würden. Es wird also Eij
bestimmt. Es wird auch die Differenz zu den gegebenen Werten
(nij- Eij) in Klammern angegeben.

Berlin 26.25 30 33.75
90 0.375
(3.75) (2) (-5.75)
München 29.167 33.333 37.5
100 0.417
(-4.167) (-3.333) (7.5)
Hamburg 14.583 16.667 18.75
50 0.208
(0.417) (1.333) (-1.75)
abs. RH 70 80 90 240
rel. RH 0.292 0.333 0.375 1

582
• Die in Tabelle 2 (in Klammern) stehenden Abweichungen werden

quadriert und durch Eij geteilt. Es ergibt sich:
Tab. 3 Groß Mittel Klein

Berlin 0.536 0.133 0.980
München 0.595 0.333 1.500
Hamburg 0.012 0.107 0.163
• Nun errechnet sich χ² als:

l k
( nij − Eij ) 2
χ 2 := ∑∑
i =1 j =1 Eij
⇒ .536 + .133 + .980 + .595 + .333 + 1.5 + .012 + .107 + .163 ≈ 4.359

583
• Es ergibt sich ferner der Kontingenzkoeffizient:
χ2 4.359
P := ⇒ ≈ 0.134
χ +m
2
4.359 + 240
• Der korrigierte Kontingenzkoeffizient ergibt sich als:
χ 2 ⋅ min(k , l ) 4.359 ⋅ min(3,3)

P korr
:= ⇒
( χ 2 + m) ⋅ (min(k , l ) − 1) ( 4.359 + 240) ⋅ (min(3,3) − 1)
4.359 ⋅ 3
⇒ ≈ 0.164
( 4.359 + 240)

584
• Es ergibt sich ferner der φ-Koeffizient als:
χ2 4.359
φ := ⇒ ≈ 0.135
m 240
• Und schließlich ergibt sich Cramers V (in diesem Fall mit dem φ-
Koeffizient identisch):
χ2 φ
V := =
m ⋅ min((k − 1), (l − 1)) min((k − 1), (l − 1))
4.359 4.359 4.359
⇒ = =
240 ⋅ min((3 − 1), (3 − 1)) 240 ⋅ min(2,2) 480
0.135
= ≈ 0.095
2

585
Kontingenzmaße – Eigenschaften
Der Wert 0 Der Zusammen- Das Kontingenz-

Es wird 1 als Maß
entspricht der hang nimmt bei maß soll „im
für den maximalen
(statistischen) zunehmenden Wert Verhältnis zu k und
Zusammenhang
Unabhängigkeit von des Kontingenz- l“ gemessen
erreicht.
X und Y. maßes zu. werden.
χ²
Kontingenzkoeffizient
(Pearsons P)
korrigierter
Kontingenzkoeffizient
φ-Koeffizient
Cramers V

586
Vereinfachungen bei Vierfeldertabellen I
• Eine in der Praxis häufig vorkommende Form, bei denen

Kontingenzmaße bestimmt werden, sind Kreuztabellen mit je zwei
Kategorien je Merkmal. Diese werden Vierfeldertabellen bzw.
Vierfeldertafeln genannt.
• In diesem Fall vereinfacht sich die Berechnung von
Kontingenzmaßen erheblich. Seien die folgenden Bezeichnungen
gegeben:
x1 x2
y1 a b a+b
y2 c d c+d
a+c b+d m = a+b+c+d

587
Vereinfachungen bei Vierfeldertabellen II
• Es ergibt sich:
m ⋅ (a ⋅ d − b ⋅ c)2
χ :=
2
( a + b) ⋅ ( c + d ) ⋅ ( a + c ) ⋅ ( b + d )
• und
(a ⋅ d − b ⋅ c)
φ = V :=
( a + b) ⋅ ( c + d ) ⋅ ( a + c ) ⋅ (b + d )
V Z Wirtschaftsstatistik
588
Zusammenfassung
Grafische Darstellung zweier Merkmalsausprägung eines Merkmalträgers. Dabei wird für jeden
Streudiagramm Merkmalsträger ein Punkt (mit den jeweiligen Merkmalsausprägungen) in ein Koordinatensystem mit
Scatterplot den (jeweiligen) Wertebereichen der Merkmalsausprägungen gezeichnet. Es ergibt sich eine
„Punktwolke“, deren Form einen ersten Hinweis auf den Zusammenhang gibt.
Kontingenz-,
Korrelations- bzw. Tabellarische Gegenüberstellung zweier Merkmalsausprägungen.
Kreuztabelle
Absolute, relative
oder kumulierte Verteilung eines der Merkmale ohne Berücksichtigung des jeweils anderen Merkmale.
Randverteilung

589
Übersicht über Maße des Zusammenhangs I

Errechenbar bei* Interpretierbar bei*
Bestimmung
n o1 o2 k n o1 o2 k
1 n
Kovarianz s XY := ⋅ ∑ ( xi − x ) ⋅ ( yi − y )
n i =1
X X X
n
Korrelations- ∑ ( x − x) ⋅ ( y − y)
X X X
i i
s XY
rXY := = i =1
koeffizient s X ⋅ sY n n
∑ ( x − x) ⋅ ∑ ( y − y)
i =1
i
2
i =1
i
2
Rangkorrelations- srg ( X ) rg (Y )
:= X X X X X X
Sp
rXY
koeffizient srg ( X ) ⋅ srg (Y )
l k
( nij − Eij ) 2
χ² χ := ∑∑
2
i =1 j =1 Eij
X X X X X X X X
• (n)ominales; ordinales Skalenniveau mit Zahlenwerten (o2); ordinales Skalenniveau ohne Zahlenwerte (o1) oder (k)ardinales Skalenniveau als
„geringstes“ Skalenniveau einer der beiden zu Grunde liegenden Merkmalen

590
Übersicht über Maße des Zusammenhangs II

Errechenbar bei* Interpretierbar bei*
Bestimmung
n o1 o2 k n o1 o2 k
Kontingenzkoeffizient χ2
(Pearsons P) P :=
χ2 + m
X X X X X X X X
korrigierter χ 2 ⋅ min(k , l )
Kontingenzkoeffizient P korr
:=
( χ 2 + m) ⋅ (min(k , l ) − 1)
X X X X X X X X
χ2
φ-Koeffizient φ :=
m
X X X X X X X X
φ
Cramers V V :=
min((k − 1), (l − 1)) X X X X X X X X
• (n)ominales; ordinales Skalenniveau mit Zahlenwerten (o2); ordinales Skalenniveau ohne Zahlenwerte (o1) oder (k)ardinales Skalenniveau als
„geringstes“ Skalenniveau einer der beiden zu Grunde liegenden Merkmalen

591
SELF ASSESSMENT VI (DESKRIPTIVE STATISTIK)
Wirtschaftsstatistik 592


593
self assessment VI (1)
• Gegeben sei die folgende Urliste:

Merkmalsträger 1 2 3 4 5 6
Körpergröße (in cm) 150 170 170 160 190 180
• Bestimmen Sie den Mittelwert 170

• Bestimmen Sie den Median 170
• Bestimmen Sie die Spannweite 40
• Angenommen Sie haben eine Urliste mit der Varianz 2.5 und
multiplizieren jeden der Werte der Urliste mit 2 und addieren
anschließend 3, welche Varianz ergibt bei den so veränderten
Werten? 10

594
• Gegeben sei das nachfolgende Histogramm:

• Geben Sie an, welche der Aussagen
.4
zutrifft:
X
– Die Verteilung ist rechtssschief
.3
X
– Die Verteilung ist unimodal
Density
.2
– Der Modus ist größer als der
Median der Verteilung
.1
0
0 2 4 6 8 10
var2

595
• Gegeben sei der nachfolgende Boxplot:

4
zutrifft:
X
– Die Verteilung ist symmetrisch
2
– 50% der Werte liegen zwischen
var1
0
-3 und 3
X
-2
– Die Median ist etwa 0
-4

596
• Gegeben sei die nachfolgende Lorenzkurve (Quantilplot):

zutrifft:
4
X
– Die Werte sind stark konzentriert
– Der Gini-Koeffizient
3
dürfte kleiner als 0.5 sein
Quantiles of var1
X
– 50% der Merkmalsträger vereinen
2
weniger als 50% der
1
Merkmalssumme auf sich.
0
0 .25 .5 .75 1

597
• Gegeben sei der nachfolgende Scatterplot:

zutrifft:
4
– Es besteht kein Zusammenhang
zwischen den Größen
2
X
– Die Kovarianz ist positiv
var1
0
– Der Korrelationskoeffizient
dürfte kleiner als -0.2 sein
-2
– Der Korrelationskoeffizient
X
dürfte größer als 0.3 sein
-4
16 18 20 22 24 26
var2

598
self assessment VI - Auswertung
– gute Kenntnisse


599
VERTEILUNGS- UND DICHTEFUNKTIONEN I

600
SYSTEMATIK DER VERTEILUNGEN

601
Wiederholung: Übersicht zu den Wahrscheinlichkeitsbegriffen
Klassische (theoretische) statistische subjektive

Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit
Schließende Statistik
Wahrscheinlichkeitsrechnung Deskriptive Statistik nicht weiter behandelt

(theoretische Prüfverteilung) (empirische Verteilung) („Risikopräferenzmessung“)

602
Bestimmung statistischer Wahrscheinlichkeiten I
• Für viele reale Phänomen ist die Bestimmung klassischer

Wahrscheinlichkeiten nicht möglich.
• In der deskriptiven Statistik wurde gezeigt, dass die Urliste und die
daraus resultierenden Häufigkeiten die Grundlage aller
Darstellungsformen sind.
• Wird die Urliste x1, …, xn einer statistischen Variablen als Ergebnis
von n wechselseitig von einander unabhängigen Wiederholungen
X1, …, Xn der gleichen Zufallsvariablen X aufgefasst, so kann direkt
an die Definition von statistischen Wahrscheinlichkeiten
angeknüpft werden.

603
Bestimmung statistischer Wahrscheinlichkeiten II
• Denn dann ist dies nichts anderes als ein Zufallsexperiment,

welches n-mal durchgeführt wird. Und die relative Häufigkeit hn(A)
des Ereignis A hat einen Grenzwert, der bei unendlich häufiger
Durchführung des Zufallsexperiments als statistische
Wahrscheinlichkeit bezeichnet wird.
P(A) = lim hn ( A)
n →∞
• Die Grenzwertbetrachtung macht deutlich, wieso empirisch

ermittelte relative Häufigkeiten nur dann als statistische
Wahrscheinlichkeiten aufgefasst werden dürfen, wenn die Anzahl
der Beobachtungen (Stichprobengröße) hinreichend groß ist.

604
Stochastische Modelle
• Bevor dieser Gedankengang (zur schließenden Statistik)
weiterentwickelt wird, ist es zweckmäßig, sich „typische“
Verteilungs-, Masse- und Dichtefunktionen (Stochastische Modelle)
anzuschauen.
• Sie können diese Verteilungen zunächst entweder als klassische
Wahrscheinlichkeiten oder als statistische Wahrscheinlichkeiten
(also als Grenzwerte empirischer Häufigkeitsverteilungen bei sehr
großen Stichproben) auffassen. Die genaue Unterscheidung kommt
erst in den Modulen 5.x.
• Nachfolgend werden einfach mathematische Terme vorgestellt, die
durch Spezifizierung wenige Parameter numerisch bestimmt
werden können. Jede der im folgenden behandelten Verteilungen
(und damit Masse- bzw. Dichtefunktionen) stellt also eine ganze
Familie (Schar) von Verteilungen dar, deren genaue Form erst nach
Festlegung der Parameter bekannt ist.

605
Wiederholung: Verteilungs-, Masse- und Dichtefunktionen
• Die Funktion F, die jeder reellen Zahl x die Wahrscheinlichkeit

zuordnet, mit der die Zufallsvariable X einen Wert X ≤ x annimmt,
heißt Verteilungsfunktion von X. Verteilungsfunktionen nehmen
nur Werte von 0 bis 1 an.
• Sei X eine diskrete Zufallsvariable. Die Funktion f, die jeder
Realisation die Wahrscheinlichkeit zuordnet, mit der die
Zufallsvariable X genau den Wert x annimmt, heißt Massefunktion
von X.
2Für theoretisch Interessierte: Die Eigenschaften der Funktion (Monotonie, Stetigkeit und Grenzwerte) werden hier
nicht angesprochen, gehören aber zu einer theoretischen Definition dazu. Vgl. z.B. Schira 2012.

606
Systematik der Verteilungen I
• Es gibt sehr viele verschiedene stochastische Modelle (und

zugehörige Verteilungsfunktionen).
• Eine erste Unterscheidung:
– Eine Gruppe kann unter gewissen Annahmen aus der
Wahrscheinlichkeitsrechnung abgeleitet werden. Sie beschreiben also
die Zufallsvorgänge, bei denen diese Annahmen erfüllt sind. Sie
werden auch als Modellverteilung bezeichnet.
– Die andere Gruppe werden aus mathematisch elementaren
Funktionen ausgedrückt und haben nützliche Eigenschaften. Diese
Gruppe wird verwendet, wenn mit Ihnen eine gute Annährung an zu
untersuchende empirische Verteilungen erzielt werden sollen. Sie
werden auch als Prüfverteilungen bezeichnet.

607
Systematik der Verteilungen II
• Eine zweite Unterscheidung:

– diskrete Verteilungen
– stetige Verteilungen
• Ein weiteres Unterscheidungsmerkmal ist, wie viele Parameter
benötigt werden, um die Verteilung eindeutig zu beschreiben:
– Ein-Parameter-Verteilungen
– Zwei-Parameter-Verteilungen
– Drei-Parameter-Verteilungen
– …
• Durch Gegenüberstellung der beiden ersten Unterscheidungen
ergibt sich das Raster auf der nächsten Folie, in das (ein paar)
Verteilungsfunktionen eingetragen sind. Die Anzahl der Parameter,
die zur Spezifikation nötig sind, sind in Klammern angegeben.

608
Systematik der Verteilungen III
Modellverteilungen Prüfverteilungen
(Auswahl) (Auswahl)
Gleichverteilung (2+)
Binomialverteilung (2)
Bernoulli-Verteilung (1)
diskret Poisson-Verteilung (1)
Hypergeometrische Verteilung (3)
Geometrische Verteilung (2)
Rechteckverteilung (2) Standardnormalverteilung (0)

Dreieckverteilung(2-3) Normalverteilung (2)
stetig Gamma-Verteilungen (2) χ²-Verteilungen (1)
Exponentialverteilung (1) Student-t-Verteilungen (1)
F-Verteilung (2-3)
Nachfolgend werden nur die rot markierten Verteilungen vorgestellt.

609
GLEICH- ODER RECHTECKVERTEILUNG

610
Gleich- und Rechteckverteilung I
• Gute Einführungsbeispiele für (Modell)Verteilungen sind die

(diskrete) Gleichverteilung und die stetige Rechteckverteilung.
• An diesen einfachen Beispielen zunächst alle wichtigen Begriffe
wiederholt bzw. eingeführt werden. Diese Einführung erfolgt
zunächst anhand eines sehr einfachen konkreten Beispiels, dem
Wurf eines sechsseitigen Würfels.
• Die Wahrscheinlichkeit bei einem einmaligen Würfelwurfgenau
einen Augenwert – sagen wir „4“ – zu erhalten ist genau 1/6.
• Mit Hilfe der bekannten Definition, kann für diesen Fall die
Verteilungsfunktion aufgestellt werden: Die Funktion F, die jeder
reellen Zahl x die Wahrscheinlichkeit zuordnet, mit der die
Zufallsvariable X einen Wert X ≤ x annimmt, heißt
Verteilungsfunktion von X.

611
Gleich- und Rechteckverteilung II
• Es ergibt sich als Verteilungsfunktion:

x <1 F(x)
 0 für
1 / 6 für 1≤ x < 2
1

2 / 6 für 2≤ x<3

F ( x ) = 3 / 6 für 3≤ x < 4
4 / 6 0.5
für 4≤ x<5

5 / 6 für 5≤ x <6
 1 6≤ x
 für
Augenzahl (x)
1 2 3 4 5 6
• Und als Massefunktion: f(x)
1 / 6 für x = 1,2,3,4,5,6
f ( x) =  Augenzahl (x)
 0 sonst 1 2 3 4 5 6

612
Gleich- und Rechteckverteilung III
• Es ergibt sich als Erwartungswert mit
E ( X ) = ∑ xk ⋅ f ( xk ) für diskrete Zufallsvariablen

∀k
1 1 1 1 1 1
E ( X ) = 1 ⋅ + 2 ⋅ + 3 ⋅ + 4 ⋅ + 5 ⋅ + 6 ⋅ = 3.5
6 6 6 6 6 6
• Und als Varianz mit:
V ( X ) = ∑ ( xk − µ X ) 2 ⋅ f ( xk ) für diskrete Zufallsvariablen

∀k
1 1 1
V ( X ) = (1 − 3.5) 2 ⋅ + ( 2 − 3.5) 2 ⋅ + (3 − 3.5) 2 ⋅
6 6 6
1 1 1
+ ( 4 − 3.5) 2 ⋅ + (5 − 3.5) 2 ⋅ + (6 − 3.5) 2 ⋅ = 2.916
6 6 6

613
Gleich- und Rechteckverteilung IV
• Mit der vereinfachten Berechnung der Varianz:

1 n 1 n 2
V ( X ) := ⋅ ∑ ( xi − x ) = ( ⋅ ∑ xi ) − ( x ) 2
2
n i =1 n i =1
1 91
V ( X ) = ⋅ (12 + 22 + 32 + 42 + 52 + 62 ) − 3.52 = − 12.25 = 2.916
6 6
• Stellen Sie sich nun vor, dass es einen Würfel mit sehr vielen
(unendlich vielen) Seiten gibt. Die „Augenzahl“ wäre aber immer
zwischen 1 und 6. Sie können sich im Grunde eine Kugel vorstellen,
bei der alle Zahlen zwischen 1 und 6 auf der Oberfläche
aufgeschrieben sind.
• Wie sieht in diesem Fall die Verteilung- und Dichtefunktion aus? Es
wird nun von Dichtefunktion gesprochen, da der Begriff
Massefunktionen für diskrete Zufallsvariablen genutzt wird.

614
Gleich- und Rechteckverteilung V

F(x)
 0 für x <1 1
 x −1
F ( x) =  für 1 ≤ x ≤ 6
 5
 1 für x>6
0.5
Augenzahl (x)
1 2 3 4 5 6
• und als Dichtefunktion: f(x)
1 / 5 für 1 ≤ x ≤ 6
f ( x) =  Augenzahl (x)
 0 sonst 1 2 3 4 5 6

615
Gleich- und Rechteckverteilung VI
• Es ergibt sich als Erwartungswert mit

∞
E( X ) =
−∞
∫ x ⋅ f ( x )dx für stetige Zufallsvariablen
1+ 6
E( X ) = = 3.5
2
• Und als Varianz mit:

∞
V ( X ) = ∫ ( xk − µ X ) 2 ⋅ f ( x )dx für stetige Zufallsvariablen
−∞
(6 − 1) 2
V(X ) = = 2.083
12

616
Gleich- und Rechteckverteilung VII
• Sie erkennen, dass die Rechteckverteilung als Grenzfall der

Gleichverteilung angesehen werden kann:
F(x) F(x)
1 1
0.5 0.5
Augenzahl (x) Augenzahl (x)

1 2 3 4 5 6 1 2 3 4 5 6
f(x) f(x)
Augenzahl (x) Augenzahl (x)

1 2 3 4 5 6 1 2 3 4 5 6

617
Gleich- und Rechteckverteilung VIII
• Verallgemeinert ergibt sich für Gleichverteilungen mit n

unterschiedlichen Ausprägungen:
• Die Massefunktion als:
1 / n für x = x1 ,..., xn
f ( x) = 
 0 sonst
• Der Erwartungswert als:
n
1 1 n
E ( X ) = ∑ xi ⋅ = ⋅ ∑ xi
i =1 n n i =1
• Sind x1,…,xn aufeinanderfolgende natürliche Zahlen, so ergibt sich
der Erwartungswert als:
n
1 1 n 1 n ⋅ ( n + 1) n + 1
E ( X ) = ∑ xi ⋅ = ⋅ ∑ xi = ⋅ =
i =1 n n i =1 n 2 2

618
Gleich- und Rechteckverteilung IX
• Die Varianz ergibt sich als:

1 n 1 n 2
V ( X ) = ⋅ ∑ ( xi − x ) = ( ⋅ ∑ xi ) − ( x ) 2
2
n i =1 n i =1
• Sind x1,…,xn aufeinanderfolgende natürliche Zahlen, so ergibt sich
die Varianz als:
1 n 1 n 2
V ( X ) = ⋅ ∑ ( xi − x ) = ( ⋅ ∑ xi ) − ( x ) 2
2
n i =1 n i =1
( n + 1)( 2n + 1) ( n + 1) 2 n 2 − 1
= − =
6 4 12

619
Gleich- und Rechteckverteilung X
• Verallgemeinert ergibt sich für Rechteckverteilungen in dem

Bereiche [a,b]:
• Die Dichtefunktion als: der Erwartungswert als:
 1
für a≤ x≤b a+b
f ( x) =  b − a E( X ) =
 0 sonst 2
• Die Verteilungsfunktion als: und die Varianz als:
 0 x<a (b − a) 2
für V(X) =
x −a 12
F ( x) =  für a ≤ x ≤ b
b − a
 1 für x>b

620
BINOMIALVERTEILUNG

621
Binomialverteilung I
• Zunächst wird der Begriff des Bernoulli-Experimentes eingeführt.

Dies ist ein Zufallsexperiment mit nur zwei möglichen
Elementarereignissen mit den Wahrscheinlichkeiten p bzw. 1 – p.
• Werden mehrere dieser Bernoulli-Experimente unabhängig
voneinander (gleichzeitig oder hintereinander) ausgeführt, so
bezeichne X die Anzahl der Erfolge. Die Wahrscheinlichkeit bei n
Versuchen genau x Erfolge zu erzielen errechnet sich gemäß der
Formel:
n x
P( X = x ) =   ⋅ p ⋅ (1 − p ) n − x
 x

622
Binomialverteilung II
• Wiederum soll die Logik zunächst anhand eines Beispiels eingeführt

werden: Wie hoch ist die Wahrscheinlichkeit bei 10 Würfen genau
zweimal eine „sechs“ zu würfeln?
– 1. Schritt: Sie wissen bereits aus dem Modul 2.1, wie die Anzahl
verschiedener Kombinationen berechnet werden. Da vorliegend egal
ist, an welcher Stelle (also bei welchem Wurf) die „Sechsen“ geworfen
werden, gilt für die Anzahl der Möglichkeiten genau zwei Sechsen zu
haben:
10  10! 10 ⋅ 9
  = = = 45
 
2 2!⋅(10 − 2 )! 1 ⋅ 2

623
Binomialverteilung III
– 2. Schritt: An jeder „Stelle“ dieser Kombinationen ist die
Eintrittswahrscheinlichkeit für eine „sechs“ dieselbe (p = 1/6).
– 3. Schritt: Wegen des Fundamentalprinzip der Kombinatorik
bzw. dem Multiplikationssatz für unabhängige Ereignisse gilt,
dass die Wahrscheinlichkeit für zwei „Sechsen“ zu würfeln p² also
(1/6)² ist.
– 4. Schritt: Gleichzeitig müssen aber auch bei insgesamt acht Würfen
keine Sechsen gewürfelt werden. Die Wahrscheinlichkeit hierfür ist
1 – p, also 5/6, was insgesamt (1 – p)10-2 also (5/6)8 entspricht.
– Insgesamt ergibt sich als Wahrscheinlichkeit genau (!) zwei Sechsen zu
werfen:
10   1   5 
2 8
1 390625
P( Augenzahl " Sechs" = 2) =   ⋅   ⋅   = 45 ⋅ ⋅ ≈ 0.2907
 2  6 6 36 1679616

624
Binomialverteilung IV
• Sie X eine Zufallsvariable, x = 0,1,…,n und n eine natürliche Zahl

sowie p eine reelle Zahl für die gilt 0 ≤ p ≤ 1. X heißt
binomialverteilt, wenn die Massefunktion
n x
f ( x, p, n ) =   ⋅ p ⋅ (1 − p ) n − x
 x
gilt.1
• Die zugehörige Verteilungsfunktion lautet:
x
n k
F ( x, =
p, n ) ∑ k  ⋅ p ⋅ (1 − p ) n −k
k =0  
• Der Erwartungswert und die Varianz ergeben sich als:
E( X ) = n ⋅ p V ( X ) = n ⋅ p ⋅ (1 − p )
1 = zur Besseren Übersicht sind nur positive Wahrscheinlichkeitsmassen angegeben. Der Wert sonst ist Null.

625
Bernoulli-Verteilung
• Für n = 1 ergibt sich eine Sonderform der Binomialverteilung. Sie

beschreibt die Verteilung eines Bernoulli-Experiments und wird
deshalb Bernoulli-Verteilung genannt.
• Die zugehörige Massefunktion lautet: Erwartungswert:
1 − p für x = 0

f ( x, p ) =  p für x = 1 E( X ) = p
 0
 für sonst
• Die zugehörige Verteilungsfunktion lautet: Varianz:
 0 für x<0
 V ( X ) = p ⋅ (1 − p )
F ( x, p ) = 1 − p für 0 ≤ x < 1
 p 1≤1
 für
V E Z Mathematische Grundlagen der

626
Übung zur Binomialverteilung
• Eine alte viermotorige Propellermaschine hat zwei Motoren auf

jeder Seite des Flugzeugs. Die Motoren seien baugleich und haben
eine (voneinander unabhängige) Ausfallwahrscheinlichkeit von 10%.
Solang auf jeder Seite des Flugzeugs mindestens ein Motor
funktioniert, stürzt das Flugzeug nicht ab. Wie wahrscheinlich…
– …ein (motorenbedingter) Absturz bei einem Flug?
(haben Sie schon errechnet)
– …ist es, dass bei 100 (voneinander unabhängigen)

weniger oder genau 2 Abstürze zu verzeichnen sind?

627
• Die Wahrscheinlichkeit eines Absturzes bei einem Flug ergibt sich

aus den Ausfallwahrscheinlichkeiten der beiden Seiten.
• Für jede Seite gilt, dass die Wahrscheinlichkeit, dass mindestens ein
Motor funktioniert sich ergibt als die komplementäre
Wahrscheinlichkeit dazu, dass genau zwei Motoren ausfallen:
 2
1 − P ( Motorausfall auf einer Seite = 2) = 1 −   ⋅ 0.12 ⋅ 0.90
 2
= 1 − 0.12 = 0.99
• Für das ganze Flugzeug gilt, dass es nicht abstürzt, wenn beide
Seiten nicht ausfallen. Als komplementäre Wahrscheinlichkeit ergibt
sich die Absturzwahrscheinlichkeit:
 2
P (Seite funktioniert = 2) = 1 −   ⋅ 0.992 ⋅ 0.010 = 1 − 0.992 = 0.0199
 2

628
• Bei 100 Flügen mit der unabhängigen Absturzwahrscheinlichkeit

von 0.0199 ergibt sich für die Wahrscheinlichkeit 2 oder weniger
Abstürze zu haben:
2
100 
F ( 2,0.0199,100) = ∑   ⋅ 0.0199k ⋅ 0.9801100−k
k =0  k 
100 
= 0.9801 + 100 ⋅ 0.0199 ⋅ 0.9801 + 
100 1 99
 ⋅ 0.01992 ⋅ 0.980198

 2 
= 0.9801100 + 100 ⋅ 0.01991 ⋅ 0.980199 + 4950 ⋅ 0.01992 ⋅ 0.980198
≈ 0.6794

629
Binomialverteilung V
• Binomialverteilungen sind – wie alle anderen hier vorgestellten

Verteilungen – eine Klasse (Familie) von konkreten
Verteilungsfunktionen. Um eine konkrete Binomialverteilung zu
bestimmen müssen zwei Parameter bekannt sein:
– die Wahrscheinlichkeit p und
– die Anzahl der unabhängigen Wiederholungen n.
• Für große n ist die Berechnung von Binomialkoeffizienten sehr
„unhandlich“, weshalb häufig die (noch vorzustellende) Poisson-
Verteilung als Approximation genutzt wird.
• Um abschließend eine grafische Veranschaulichung der
Binomialverteilung vorzustellen, wird von n = 10 und p = 1/6 (also
dem Anfangsbeispiel eines Würfelwurf mit der Wahrscheinlichkeit
genau eine Augenzahl x mal zu würfeln) ausgegangen.

630
Binomialverteilung VI

 0 für x<0
10x
.1615 für 0 ≤ x < 1 F(x)

.4845 für 1 ≤ x < 2
 1
.7752 für 2 ≤ x < 3
.9302 für 3 ≤ x < 4

F(x) ≈ .9845 für 4≤x<5
.9975 für 5≤ x <6

.9997 für 6≤x<7

.9999 für 7≤ x <8 0.5
.9999 für 8≤ x <9

 1 für 10 ≤ x
• und als Massefunktion:

 .1615 für x=0
 .3230 für x =1 x

 .2907 für x=2
0 1 2 3 4 5 6 7 8 9 10

 .1550 für x =3 f(x)
 .0542 für x=4

f(x) ≈  .0130 für x =5
 .0021 für x=6

 .0002 x=7 x
0 1 7 8 9 10
für
 −5 2 3 4 5 6
1.86 ⋅10 für x= 8
8.26 ⋅10−7 für =
x 9
 −8
1.65 ⋅10 für x= 10

631
POISSON-VERTEILUNG

632
Poisson-Verteilung I
• Sie kennen bereits den Begriff des Bernoulli-Experiments sowie die

Binomialverteilung und die Sonderform der Bernoulli-Verteilung.
• Dabei traten aber bei „großen“ n Probleme auf, bei der Berechnung
von :
n
f ( x, p, n ) =   ⋅ p x ⋅ (1 − p ) n − x
 x
• Die diskrete Poisson-Verteilung ist definiert als Zahl der Erfolge bei
sehr vielen (n→∞) Bernoulli-Experimenten mit sehr kleinen
Erfolgswahrscheinlichkeiten (p→1/∞).
• Um diese Situation zu analysieren wird n·p als λ definiert, von dem
angenommen wird, dass es konstant ist.

633
Poisson-Verteilung II
• In die Formel der Binomialverteilung eingesetzt ergibt sich:

n
f ( x, p, n ) =   ⋅ p x ⋅ (1 − p ) n − x mit n ⋅ p = λ ( const.)
 x
n  λ  λ n− x  n   λ  λ λ
x x
=   ⋅   ⋅ (1 − ) =   ⋅   ⋅ (1 − ) n ⋅ (1 − ) − x
 x  n  n  x  n  n n
n! λx λ n λ −x n! λx λ λ
= ⋅ x ⋅ (1 − ) ⋅ (1 − ) = x ⋅ ⋅ (1 − )n ⋅ (1 − ) − x
x!⋅( n − x )! n n n n ⋅ ( n − x )! x! n n
n! λx λ n λ − x n ⋅ (n − 1)...( n − x + 1) λx λ n λ −x
= x ⋅ ⋅ (1 − ) ⋅ (1 − ) = ⋅ ⋅ (1 − ) ⋅ (1 − )
n ⋅ ( n − x )! x! n n n x
x! n n
• Eine Grenzwertbetrachtung zeigt (n→∞): 1 e-λ 1

634
Poisson-Verteilung III
• Es ergibt sich als Massefunktion der Poisson-Verteilung für x =

0,1,2,3,…:
λx −λ
f ( x, λ ) = ⋅ e
x!
• Der Erwartungswert der Poisson-Verteilung ist E(X) = λ

• Die Varianz der Poisson-Verteilung ist V(X) = λ.
• Die Poisson-Verteilung ist durch einen Parameter (λ) vollständig
bestimmt.

635
Poisson-Verteilung IV
• In der Praxis wird Poisson-Verteilung oft als „Näherungsverteilung“

der Binomialverteilung genutzt. Eine Faustregel hierzu: dies ist
möglich, wenn
– 1. n ≥ 100
– 2. p ≤ 1/10
• Die Poisson-Verteilung wird auch als „Verteilung der seltenen
Ereignisse“ bezeichnet. Sie wird genutzt, um das Auftreten von
Ereignissen zu bestimmen, die zwar bei einem Element sehr selten
vorkommt, aber bei vielen Elementen (n→∞) gut ausgedrückt
werden kann.
• Der Parameter n·p = λ (const.) drückt ja aus, dass bei einem festen
Intervall von n der Fall des Eintretens des Ereignis X mit der
Eintrittswahrscheinlichkeit p gerade λ-mal zu erwarten ist.

636
Poisson-Verteilung V
• Der Parameter λ beschreibt die beobachtbare/erwartbare Anzahl

(eines seltenen Ereignisses) in einem (großen) Intervall n.
• Beispiele zur Interpretation von λ:
– Die Wahrscheinlichkeit, dass in der nächsten Minute ein Kunde ein
Geschäft betritt sei sehr gering, beispielsweise (p=) 1/100. Wenn aber
100 Minuten gewartet werden, so ist der Erwartungswert, dass ein
Kunde das Geschäft betritt λ = 1.
– Ein Blitzeinschlag ist selten (p ist klein). Deshalb sollten große Flächen
zur Berechnung herangezogen werden. In NRW beträgt ist λ etwa 2.5
pro 10 km² und Jahr.

637
Poisson-Verteilung VI
• Die Massefunktion der Possion-Verteilung gibt die Wahrscheinlich-

keit eines x-maligen Eintretens dieses Ereignisses an.
• Ausgehend von den vorgestellten Beispielen also beispielsweise,
dass…
– …innerhalb der nächsten 100 Minuten, 4 Kunden den Laden betreten
14 −1 1 −1
f ( 4,1) = ⋅ e = ⋅ e = 0.0153
4! 24
– …innerhalb des nächsten Jahres auf 10 km² kein mal der Blitz
einschlägt:
2.50 −2.5
f (0,2.5) = ⋅ e = e −2.5 = 0.0821
0!

638
Poisson-Verteilung VII
• Die Massefunktion der Possion-Verteilung ist (nur) von λ abhängig:
λ = 0.5 λ=1
λ=2 λ=5

639
Poisson-Verteilung VIII
• Auch für die Massefunktion und die Verteilungsfunktion von

Poisson-Verteilung gibt es Tabellen (statistische Tafeln). Da aber die
Massefunktion
λx −λ
f ( x, λ ) = ⋅ e
x!
recht einfach zu berechnen ist, ist auch die Verteilungsfunktion
leicht zu bestimmen:
x
λ i −λ
x, λ ) ∑ ⋅ e
F (=
i =0 i !
• Auf die Erläuterung der zugehörigen statistischen Tafeln wird daher

verzichtet.

640
Übung zur Poisson-Verteilung
aus Dubben/Beck-Bornholdt 2013:

• Häufig finden Sie Schlagzeilen wie „ein der Region x ist die
Häufigkeit der Krankheit y doppelt so hoch wie im Durchschnitt“.
Diese Aussage wird dann als Beleg für eine kausale Vermutung
genutzt (etwa weil in der Region x eine technische Anlage steht).
• Meist sind die Autoren solcher Zeilen keine Statistiker und glauben
aus der Tatsache, dass etwas häufiger vorkommt als im
Durchschnitt, lasse sich eine kausale Vermutung ableiten.
• Wie sinnvoll ein solches Vorgehen ist, lässt sich mittels einer
einfachen Übung nachvollziehen. Bitte malen Sie hierzu eine 6 x 6
Felder große „Landkarte“ auf ein weißes Blatt Papier.
• Dann brauchen Sie noch zwei (unterscheidbare) sechsseitige
Würfel.

641
• Werfen Sie beide Würfel und

1 2 3 4 5 6
markieren Sie die
1 „erwürfelte“ Position im
linksstehenden Schema mit
2 einem „|“.
• Die Augenzahl des einen
3
Würfels ergibt die Zeile, die
4
des anderen die Spalte.
• Wiederholen Sie dies, bis sie
5 36 Striche gemacht haben.

642
• Ihr Ergebnis könnte

1 2 3 4 5 6
beispielsweise so aussehen.
1 || | | |||
• Der Mittelewert bei 36
Feldern ist eins. Es gibt aber
2 | | | |
einige Felder, die den
Mittelwert „um das
3 || || | ||| | |
Dreifache“ oder „das
4 | | | | | |
Doppelte“ überschreiten.
• Aus diesem Stoff sind die
5 | || | | | Schlagzeilen.
• Ist das aber ungewöhnlich?
6 | | |

643
• Die Wahrscheinlichkeit in einem Feld genau x Striche zu erhalten ist

mit der Poisson-Verteilung berechenbar. In unserem Fall ist λ = 1. Es
ergibt sich:
f (0,1) = f (1,1) = e −1 = 0.3679
12 −1
f ( 2,1) = ⋅ e = 0.1839
2!
13 −1
f (3,1) = ⋅ e = 0.0613
3!
• Die Wahrscheinlichkeit für 3 Treffer ist mit 6.13% alles andere als
unwahrscheinlich.

644
• Viele Menschen erwarten intuitiv folgendes Ergebnis, was extrem

unwahrscheinlich ist! In unserem Experiment wäre dieses Ergebnis
nur 1 möglicher Ausgang von rd. 2.86 · 1014 möglichen Ausgängen.
• Also bitte seien Sie vorsichtig mit
scheinbar auffälligen Häufungen.
• Sonst verhalten Sie sich wie der
„mexikanische Scharfschütze“, der erst
wahllos auf ein Scheunentor feuert und
anschließend die Zielscheibe um die
Einschusslöcher malt.

645
VERTEILUNGS- UND DICHTEFUNKTIONEN II

646
Wiederholung: Systematik der Verteilungen
Modellverteilungen Prüfverteilungen
(Auswahl) (Auswahl)
Gleichverteilung (2+)
Binomialverteilung (2)
Bernoulli-Verteilung (1)
diskret Poisson-Verteilung (1)
Hypergeometrische Verteilung (3)
Geometrische Verteilung (2)
Rechteckverteilung (2) Standardnormalverteilung (0)

Dreieckverteilung(2-3) Normalverteilung (2)
stetig Gamma-Verteilungen (2) χ²-Verteilungen (1)
Exponentialverteilung (1) Student-t-Verteilungen (1)
F-Verteilung (2-3)
Nachfolgend werden nur die rot markierten Verteilungen vorgestellt.

647
STANDARDNORMALVERTEILUNG UND ARBEITEN MIT TABELLEN

648
Allgemeines I
• Bisher wurden stochastische Modelle vorgestellt, die als

Modellverteilungen bezeichnet werden können. Sie wurden aus der
Wahrscheinlichkeitsrechnung abgeleitet. Die meisten dieser
Verteilungen waren (mit Ausnahme der Rechteckverteilung) diskret.
• Nun wird eine erste Prüfverteilung – die (Standard)Normal-
verteilung – vorgestellt. Die (Dichtefunktion der) Normalverteilung
wird, nach dem deutschen Mathematiker Carl Friedrich Gauß (1777
– 1855), oft auch „Gauß-Verteilung“, „Gauß‘sche Glockenkurve“
oder „Gauß‘sche Fehlerkurve“ genannt.

649
Allgemeines II
• Die Normalverteilung ist zweifelsohne die
wichtigste Verteilung der Statistik, denn…
– …viele empirisch beobachtbaren Phänomene sind annährend

normalverteilt.
– …die Verteilung von (unsystematischen) Messfehlern bei der
wiederholten Beobachtung ein und desselben Sachverhalts, ist
annährend normalverteilt (oder sollte es sein).
– …die Normalverteilung ist eine gute Approximation für andere
Verteilungen.
– …die Mittelwerte von Merkmalen näheren sich umso mehr einer
Normalverteilung an, je größer die Stichprobe wird.
• Deshalb eignet sich die Normalverteilung hervorragend als

Grundlage theoretischer Modelle.

650
Standardnormalverteilung I
• Eine stetige Zufallsvariable Z mit der Dichtefunktion

1
1 − ⋅z 2
f ( z) = ⋅ e 2 mit − ∞ < z < ∞
2 ⋅π
heißt standardnormalverteilt.
• Die Dichtefunktion der Standardnormalverteilung ist vollständig
bestimmt, da z die einzige Variable ist. e ist die Euler‘sche Zahl
(2.71828…) und π die „Kreiszahl“ (3.1415926…).

651
Standardnormalverteilung II
Zunächst eine kleine „Kurvendiskussion“:

• Der Faktor 1
2 ⋅π
ist eine reine Normierung, weil die Fläche unter
∞ 1
− ⋅z 2
∫e
−∞
2
= 2⋅π
= 2.506628...
ist. Mit der Normierung wird erreicht, dass die Fläche unter der
Dichtefunktion gerade eins ist.
• Die erste und zweite Ableitung sind:
−z 1
− ⋅z 2 z 2 − 1 − 12 ⋅z 2
f ′( z ) = ⋅e 2 f ′′( z ) = ⋅e
2 ⋅π 2 ⋅π

652
Standardnormalverteilung III
• Die Kurve hat nur bei z = 0 ein Maximum, da nur hier die erste
Ableitung Null ist (die zweite Ableitung ist negativ).
• Von diesem Maximum fällt die Kurve symmetrisch zu beiden Seiten
ab. Die Verteilung ist also symmetrisch und unimodal.
• An den Stellen –1 und +1 hat die Kurve Wendepunkte, da dort die
zweite Ableitung gleich Null ist.
• Nullstellen gibt es keine, es gilt also f(z) > 0 für alle z von -∞ bis ∞.
• Die Abzisse (in diesem Fall die z-Achse) ist ein unterer Grenzwert
auf beiden Seiten.
lim f ( z ) = 0 und lim f ( z ) = 0
z →∞ z → −∞
• Diese Eigenschaften geben der „Glockenkurve“ ihren Namen.

653
Standardnormalverteilung IV
• Es ergibt sich als Graph:

654
Standardnormalverteilung V
• Es ergibt sich als zugehörige Verteilungsfunktion der
Standardnormalverteilung:
z 1
1 − ⋅u 2
F ( z) = ⋅ ∫ e 2 du
2 ⋅ π −∞
• Der Erwartungswert der Standardnormalverteilung ist E(Z) = 0 und

die Varianz V(Z) = 1.
• Die Berechnung der Verteilungsfunktion ist aufwendig, da dieses
Integral (mangels einheitlicher Stammfunktion) nicht elementar
lösbar ist. Die numerischen Werte werden aber benötigt, um die
Wahrscheinlichkeiten anzugeben.
• Denn wie bei jeder anderen Verteilung sind die
Wahrscheinlichkeiten die Flächen unter der Glockenkurve.

655
Standardnormalverteilung VI
• So ist z.B. die Wahrscheinlichkeit, dass die Zufallsvariable Z kleiner

als z ist gegeben als:
z 1
1 − ⋅u 2
P( Z ≤ z ) = F ( z ) = ⋅ ∫ e 2 du
2 ⋅ π −∞
• Für z = -0.4044 ergibt sich

beispielsweise die blaue Fläche, die
angibt, mit welcher Wahrscheinlichkeit
Z einen Wert von weniger als -0.4044 annimmt. Sie beträgt etwas
mehr als 0.341.

656
Standardnormalverteilung VII
• Die Wahrscheinlichkeit, dass die Zufallszahl zwischen a und b liegt,

beträgt:
b 1
1 − ⋅z 2
P ( a ≤ Z ≤ b) = ⋅ ∫ e 2 dz = F (b) − F ( a )
2 ⋅π a
• Für a = -0.4044 und b = 1.9980 ergibt
die blaue Fläche, die angibt, mit welche
Wahrscheinlichkeit ein Wert im
Intervall [-0.4044;1.9980] angenommen
wird. Die Wahrscheinlichkeit ist etwa 0.635.

657
Standardnormalverteilung VIII
• Da die Fläche (per definitionem) maximal 1 ist, ergibt sich die

Wahrscheinlichkeit für einen Wert größer als z immer als:
P( Z > z ) = 1 − P( Z ≤ z )
P(Z>-0.4044)
= 1-P(Z≤-0.4044)
≈ 0.659
P(Z≤-0.4044)
≈ 0.341

658
Standardnormalverteilung IX
• Da die Dichtefunktion symmetrisch (um Null) ist, gilt:

P( Z ≤ z ) = P( Z ≥ − z ) P(Z≤1.2)
= 0.8849
P(Z≥-1.2)
P(Z≤-0.4044) P(Z≥0.4044) = 0.8849
≈ 0.341 ≈ 0.341

659
Standardnormalverteilung X
• Wie bereits erwähnt ist die Berechnung der Verteilungsfunktion

z 1
1 − ⋅u 2
F ( z) = ⋅ ∫ e 2 du
2 ⋅ π −∞
aufwendig, da dieses Integral (mangels einheitlicher
Stammfunktion) nicht elementar lösbar ist.
• Deshalb werden die Werte, die sich ergeben als Tabelle (statistische
Tafel) dargestellt. Eine Berechnung ist also nicht notwendig, die
Lösung muss nur korrekt aus der Tabelle abgelesen werden.
• Weil dabei immer gilt
P( Z ≤ − z ) = 1 − P( Z ≤ z )
werden üblicherweise nur positive Werte in der Tabelle
aufgenommen.

660
Standardnormalverteilung XI
• Die zu den z-Werten gehörigen F(z)-Werte werden wie folgt

abgelesen.
– In der ersten Spalte wird die Zeile bestimmt, die der ersten
Nachkommastelle von z entspricht.
– Dann wird in der Kopfzeile die Spalte mit der zugehörigen zweiten
Nachkommastelle bestimmt und der F(z)-Wert ausgelesen.
• Es ergibt sich z.B. für z = 0.41, die Wahrscheinlichkeit 0.6591.
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214

661
Standardnormalverteilung XII
• Der Wert -0.4044 aus den obigen Beispielen ist nicht direkt
ablesbar, er ergibt sich wie folgt:
– F(-0.4044) entspricht 1-F(0.4044)
– F(0.4044) liegt zwischen F(0.40) und F(0.41)
– Er ist also kleiner als 1-0.65542 = 0,34458 und größer als
1-0.6591=0,3409. Er wurde oben als ungefähr 0.341 angegeben.
z 0 0,01 0,02 0,0
0,0 0,50000 0,50399 0,50798 0,51 P(Z≤-0.4044)
0,1 0,53983 0,54380 0,54776 0,55 ≈ 0.341
0,2 0,57926 0,58317 0,58706 0,59
0,3 0,61791 0,62172 0,62552 0,62
0,4 0,65542 0,65910 0,66276 0,66
0,5 0,69146 0,69497 0,69847 0,70
0,6 0,72575 0,72907 0,73237 0,73
0,7 0,75804 0,76115 0,76424 0,76
0,8 0,78814 0,79103 0,79389 0,79
0,9 0,81594 0,81859 0,82121 0,82
1,0 0,84134 0,84375 0,84614 0,84

662
Standardnormalverteilung XIII
• Die Fläche zwischen zwei z-Werten a und b ergibt sich einfach als
F(b) – F(a). Beispiel: Die Fläche zwischen -1 und 1:
P(-1<Z≤1)
z 0 0,01 0,02 0,0
0,0 0,50000 0,50399 0,50798 0,51
0,1 0,53983 0,54380 0,54776 0,55
0,2 0,57926 0,58317 0,58706 0,59 = P(Z ≤1)-P(Z ≤-1)
0,3 0,61791 0,62172 0,62552 0,62
=F(1)-(1-F(1))
0,4 0,65542 0,65910 0,66276 0,66
0,5 0,69146 0,69497 0,69847 0,70
0,6 0,72575 0,72907 0,73237 0,73
0,7 0,75804 0,76115 0,76424 0,76 =0.84134-(1-0.84134)
0,8 0,78814 0,79103 0,79389 0,79
0,9 0,81594 0,81859 0,82121 0,82
1,0 0,84134 0,84375 0,84614 0,84 =0.84134-0.15866
=0.68268

663
Standardnormalverteilung XIV
• Ein letztes Beispiel zur Veranschaulichung: Die Wahrscheinlichkeit

bei einer standardnormalverteilten Zufallsgröße keinen Wert
zwischen -1 und 2 zu erhalten ergibt sich als:
P(Z<-1 & Z>2)

z 0 0,01
0,0 0,50000 0,50399
0,9 0,81594 0,81859 = 1-(P(Z ≤2)-P(Z ≤-1))
1,0 0,84134 0,84375
1,1 0,86433 0,86650 =1-(F(2)-(1-F(1))
1,9 0,97128 0,97193
=1-(0.97725-(1-0.84134)
2,0 0,97725 0,97778
=1-(0.97725-0.15866)
=1-0.81859
=0.18141
V Wirtschaftsstatistik
664
Standardnormalverteilung XV
• Bitte üben Sie das korrekte Auslesen aus der Tabelle, hier ein paar
Beispiele für eine standardnormalverteilte Zufallsvariable Z:
– P(Z ≤ 0) = P(Z > 0) = 0.5

– P(Z ≤ 2.27) = 0.9884
– P(-2 < Z ≤ 2) = 0.9545
– P(-1.96 < Z ≤ 1.96) = 0.95
– P(Z≤-1.96 & Z>1.96) = 0.05
V Wirtschaftsstatistik
665
V
Z
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
Wirtschaftsstatistik
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520

2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
Tabelle Standardnormalverteilung (Verteilungsfunktion)
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997
4,0 0,99997 0,99997 0,99997 0,99997 0,99997 0,99997 0,99998 0,99998 0,99998 0,99998
666
NORMALVERTEILUNG UND STANDARDISIEREN

667
Normalverteilung I
• Um die Normalverteilung zu definieren wird mit μ der
arithmetische Mittelwert und mit σ die Standardabweichung der
Verteilung bezeichnet.
• Eine stetige Zufallsvariable X mit der Dichtefunktion
1 x−µ
1 − ⋅( )2
f ( x) = ⋅e 2 σ
mit − ∞ < z < ∞
σ ⋅ 2 ⋅π
heißt normalverteilt.
• Es ergibt sich als zugehörige Verteilungsfunktion der
Normalverteilung:
x 1 u−µ
1 − ⋅( )2
F ( x) = ⋅ ∫e 2 σ
du
σ ⋅ 2 ⋅ π −∞
• Der Erwartungswert der Standardnormalverteilung ist E(Z) = μ und
die Varianz V(Z) = σ².

668
Normalverteilung II
• Die Dichte- bzw. Verteilungsfunktion der Standardnormalverteilung

ist nun erst durch μ und σ vollständig bestimmt. Es werden also 2
Parameter benötigt, um eine Normalverteilung zu bestimmen.
• Es gibt also unendlich viele Normalverteilungen. Um eine
bestimmte Normalverteilung zu beschreiben wird als Notation wird
i.d.R. N(μ,σ) genutzt. So ist N(0,1) beispielsweise die
Standardnormalverteilung und N(2,2) eine Normalverteilung um
den Mittelwert 2 mit der Standardabweichung 2.
• Als weitere Notation wird das Symbol „~“ eingeführt. Es bedeutet
„ist verteilt“. Der Ausdruck X~N(0,1) bedeutet also „ist
standardnormalverteilt“.

669
Normalverteilung III
• Beispiele unterschiedlicher Normalverteilungen:
N(-2,0.5)
N(0,1)
N(2,2)

670
Normalverteilung IV
Wieder eine kleine „Kurvendiskussion“:

• Der Faktor 1
σ ⋅ 2 ⋅π
ist wieder eine (von σ abhängige) Normierung, die die Fläche unter
∞ 1 x−µ 2
− ⋅( )
∫e
−∞
2 σ
so anpasst, dass sie gerade eins ist.

• Die Kurve hat nur bei μ ein Maximum. Von diesem Maximum fällt
die Kurve symmetrisch zu beiden Seiten ab. Die Verteilung ist also
symmetrisch und unimodal.
• An den Stellen μ-σ und μ+σ hat die Kurve Wendepunkte.

671
Normalverteilung V
• Nullstellen gibt es keine, es gilt also f(x) > 0 für alle z von -∞ bis ∞.
• Die Abzisse (in diesem Fall die z-Achse) ist ein unterer Grenzwert
auf beiden Seiten.
lim f ( x ) = 0 und lim f ( x ) = 0
z →∞ z → −∞
• Die Dichtefunktion verläuft umso flacher, je größer die

Standardabweichung (Streuung) ist.
• Für die Verteilungsfunktion gilt, das sie der Verteilungsfunktion der
Standardnormalverteilung mit z=(x- μ)/σ entspricht:
x 1 u−µ ( x−µ ) / σ 1
1 − ⋅( )2 1 − ⋅z 2
F ( x) = ⋅ ∫e 2 σ
du = F ( x ) = ⋅ ∫ e 2
dz
σ ⋅ 2 ⋅ π −∞ 2 ⋅π −∞

672
Normalverteilung VI
• Diese Eigenschaften ermöglichen es, eine beliebige N(μ,σ)-

Verteilung auf die Eigenschaften der Standardnormalverteilung
zurückzuführen.
• Dazu werden die Werte der beliebigen N(μ,σ)-Verteilung wie folgt
transformiert (Z-Transformation):
X −µ
Z= N(-2,0.5)
σ Z = (X+2)/0.5
• Nach der erfolgten Trans-

N(0,1)
formation, können die Wahr- Z = (X-2)/2
scheinlichkeiten einfach mit der N(2,2)
Tabelle der Standardnormal-
verteilung bestimmt werden.

673
Normalverteilung VII
• Natürlich geht auch der „umgekehrte Weg“: Die Eigenschaften der

Standardnormalverteilung werden auf eine beliebige N(μ,σ)-
Verteilung übertragen.
• Dazu werden die Werte der Standardnormalverteilung wie folgt
transformiert:
X =σ ⋅Z + µ N(-2,0.5)
X = 0.5·Z-2
• Nach der erfolgten Trans-
formation, können die Wahr- N(0,1)
X = 2·Z+2
scheinlichkeiten aus der Tabelle
der Standardnormalverteilung N(2,2)
auf andere Wertebereiche

übertragen werden.

674
Übung zur Normalverteilung
• Es wird davon ausgegangen, dass die Punkte in der nächsten

Statistikklausur normalverteilt mit einem Erwartungswert von 70
und einer Standardabweichung von 10 ist.
– A) Wie groß ist die Wahrscheinlichkeit nicht zu bestehen, also weniger
als 60 Punkte zu bekommen?
– B) Welche Punktzahl werden Sie nur mit 20%-iger Wahrscheinlichkeit
überschreiten?

675
• A) Zunächst muss die Punktgrenze zum Bestehen (60 Punkte)

transformiert werden:
– (60 – 70)/10 = -1
– Dies bedeutet, dass ein Wert von 60 in der Ausgangsverteilung, einem
Wert von -1 in der Standardnormalverteilung entspricht.
– Aus der Tabelle kann ausgelesen werden:
P(Z ≤ -1) = 1 - P(Z ≤ 1) = 1 – 0.84134
= 0.15866. P(X≤60)
≈ 0.15866

676
• B) Zunächst wird aus der Tabelle der Standardnormalverteilung der

Wert z gesucht, dessen Überschreitung nur mit 20%-iger
Wahrscheinlichkeit erfolgt.
– P(Z > z) = 0.2  1 – P(Z ≤ z) = 0.8
– Dieser Wert liegt zwischen 0.84 und 0.85 – nehmen wir 0.845 (den
ganz genauen Wert kennen wir nicht, es ist aber eine gute Annährung)
– Umgerechnet ergibt sich:
10 · 0.845 + 70 = 78,45
P(X>x)=0.2
 x ≈ 78,45

677
ÜBERPRÜFUNG DER NORMALVERTEILUNGSANNAHME

678
Überprüfung der Normalverteilungsannahme I
• Das hinreichend genaue Zutreffen der Normalverteilungsannahme

für n voneinander unabhängigen Wiederholungen X1, …, Xn der
Zufallsvariablen X ist eine wichtige Voraussetzung für viele
Verfahren der schließenden Statistik. Seien mit x1, …, xn die
Realisierungen dieser Zufallsexperimente bezeichnet. Dann können
folgende Kriterien genutzt werden:
• 1. Eingipfligkeit / Unimodalität: Die Normalverteilung ist unimodal.
Es muss gelten:
x ≈ xMo
• 2. Symmetrie: Die Normalverteilung ist symmetrisch (also weder
rechtsschief noch linksschief). Es muss gelten:
x ≈ xMe

679
Überprüfung der Normalverteilungsannahme II
• 3. Form der Verteilung: Die Normalverteilung ist hat eine

Bestimmte Streuung und eine bestimmte „Wölbung“. Um diese zu
in einer einfachen Faustregel zu prüfen, kann der Quartilsabstand
mit der Standardabweichung verglichen werden. Es muss gelten:
QA
≈ sX
1.35
• 4. Auffälligkeiten in der Verteilung (Abwesenheit von Ausreißern):
Nur wenige Beobachtungen sind sehr groß oder sehr klein.
Ausreißer einer standardnormalverteilten Variablen gibt es
unterhalb von -2,7 oder oberhalb von 2,7, mit einer
Wahrscheinlichkeit von 2 x [1 - P(Z≤2.7)] = 0.007. Also nur 7 von
1000 Beobachtungen würden einen Ausreißer ergeben. Extreme
Ausreißer gibt es „im Normalfall“ praktisch gar nicht.

680
Überprüfung der Normalverteilungsannahme III
• 5. Histogramme prüfen: Wenn Ihnen ein geeignetes Statistik-

Programm zur Verfügung steht, sollte immer noch ein Histogramm
der x1, …, xn bestimmt werden, und mit einer Normalverteilung
verglichen werden.
.4
.4
.3
.3
Density
Density
.2
.2
.1
.1
0
-4 -2 0 2 4 -4 -2 0 2 4 6
var2 var3

681
Vielen Dank für die Aufmerksamkeit

und viel Erfolg bei der Klausur

682

Foliensatz BWI105 SS2020 Rev

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Foliensatz BWI105 SS2020 Rev

Hochgeladen von

Copyright:

Verfügbare Formate

Fachbereich Wirtschaftswissenschaften

Prof. Dr. Matthias Freund

Mathematische Grundlagen der Wirtschaftsinformatik

Mathematische Grundlagen der

ORGANISATION, INHALTE UND LERNZIELE

Mathematische Grundlagen der

• Modulnummer: BWI105 / BWID104

• Vorlesung: eigentlich Donnerstag 08:00h bis 12:00h. Wegen der

• Prüfung: Klausur mit Inhalten aus beiden Modulteilen

L Mathematische Grundlagen der

• Sprechstunde (Freund): Im Anschluss an die Vorlesung oder nach

• Material: Wenn Sie die Vorlesung regelmäßig besuchen, ist diese

L Mathematische Grundlagen der

L Z Mathematische Grundlagen der

• Für spezielle Quellen bei einzelnen Fragestellungen sprechen Sie mich

L Z Mathematische Grundlagen der

Hintergrund und Lernziele I

L Mathematische Grundlagen der

Hintergrund und Lernziele II

L Mathematische Grundlagen der

Hintergrund und Lernziele III

• Statistische Datenanalyse ist nicht primär eine mathematische

L Mathematische Grundlagen der

• Leider ist es aber so, dass Sie…

• Also versuchen Sie angstfrei, unvoreingenommen, frühzeitig,

L Mathematische Grundlagen der

Inhalt – thematische Gliederung

L Z Mathematische Grundlagen der

Inhalt II – thematische Gliederung Modulteil b

L Z Mathematische Grundlagen der

• Die Veranstaltung besteht aus unterschiedlichen Inhalten die mit

• Die Bedeutung der einzelnen Symbole entnehmen Sie bitte der

L Mathematische Grundlagen der

Unterschiedliche Inhalte je Modul

V• Klassische Vorlesung: Theorie, Theoreme und Hintergrund

Z• Nützlich zum Nachschlagen und Erinnern:

P• Hinweise auf die Verwendung: Praxisbeispiele und

Ü• Übungselemente und Experimente: Aufgaben zur

E• Exkurse zum Verständnis des Hintergrundes

• Vorführungen mit Statistik-Software und großen

L Z Mathematische Grundlagen der

SELF ASSESSMENT – VORLESUNGSBEGLEITETE

Mathematische Grundlagen der

Die Idee der „self assessments“ I

• In der Veranstaltung werden Ihnen regelmäßig kleine Abfragen (self

Ü Mathematische Grundlagen der

Die Idee der „self assessments“ II

• Bitte beachten Sie: Die self assessments sollen Ihnen keine

Ü Mathematische Grundlagen der

Die Spielregeln der „self assessments“

• Sie bekommen gleich (für eine gewisse Zeit) einzelne Aufgaben

Ü Mathematische Grundlagen der

SELF ASSESSMENT I (MATHEMATISCHE SCHULKENNTNISSE)

Mathematische Grundlagen der

self assessment I (1)

• Errechnen Sie (ohne Taschenrechner):

Ü Mathematische Grundlagen der

self assessment I (2)

• Bestimmen Sie x (ohne Taschenrechner):

Ü Mathematische Grundlagen der

self assessment I (3)

• Bitte leiten Sie f(x) nach x ab:

Ü Mathematische Grundlagen der

self assessment I (4)