Beruflich Dokumente
Kultur Dokumente
BWI105 / BWID104
Organisation I
• Umfang: 4 SWS
• Credits: 5 CP
Organisation II
• Ansprechpartner:
Prof. Dr. Matthias Freund (Z130) matthias.freund@hs-niederrhein.de
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
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
Herausforderung
• Angenommen Sie begehen die obigen „Fehler“, dann ist die Klausur
extrem schwierig!
Verschiedene Inhalte
L V Z P Ü E S
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
( 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
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
• 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
• Über 29 Punkte:
– gute mathematische Kenntnisse
• Über 19 Punkte:
– ausreichende mathematische (Vor)Kenntnisse.
– Bitte überprüfen Sie Ihre individuellen Schwachstellen und passen Sie
gut bei elementaren Rechenregeln auf.
• 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)
{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,…}
-
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.
∑a
i =1
i = a1 + a2 + a3 + a4 ∏a
i =3
i = a3 ⋅ a4 ⋅ a5 ⋅ a6
∑∑ a
i =1 j =1
ij = a11 + a12 + a21 + a22 + a31 + a32
Kürzel Bedeutung
ist gleich
=
ist etwa / annährend gleich
≈
ist ungleich
≠
• Seien ai = a1, a2, a3, … an und bi = b1, b2, b3, … bn jeweils eine Folge
von (reellen) Zahlen.
( 2 + 5 + 7) + (1 + 4 + 6) = 25
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
• 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.
a1 = a ---
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
• b ist also diejenige positive reelle Zahl, deren n-te Potenz gerade a
(den Radikanten) ergibt.
b 16
) = log2 (16) − log2 (8) = 4 − 3 = 2
loga ( ) = loga (b) − loga (c ) log2 (
8
c 16
log2 ( ) = log2 ( 2) = 1
8
MODULARE ARITHMETIK
• 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.
-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).
• 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)
x = a1 mod m1
…
x = an mod mn
x = (a1 ∙ M1 ∙ I1 + … + an ∙ Mn ∙ IN ) (mod m)
• 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)
• 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
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
Aussagenlogik - Allgemeines
Aussagenlogik – Aussagen
Aussagenlogik – Aussagenverknüpfungen I
Aussagenlogik – Aussagenverknüpfungen II
Aussagenlogik – Wahrheitswerttafeln
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
Aussagenlogik - Beispiel
• 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.
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
{... | ...}
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.
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.
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
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.
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
Folgen VI
arithmetische Folgen
ai =
(ai +1 + ai −1 )
2
• Beispiel:
– 1, 2, 3, …
– 3, 6, 9, …
bzw.
n
sn = a0 + a1 + ... + an = ∑ [a0 + i ⋅ d ]
i =1
⋅ (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
geometrische Folgen
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,…
geometrische Reihen
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)
an =a1 ⋅ q n −1 ⇒ a13 =
1 ⋅ 213−1 =4096
q = 1.1 q = 0.9
q = -0.9 q = -1.1
ZUFALLSZAHLEN ERZEUGEN
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.
Zufallszahlen erzeugen II
• 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.
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.
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.
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)
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)
Zufallszahlen erzeugen VI
a1: 12345
1
b: 12345
c: 54321
d: 36912
.8
.6
var9
.4
.2
0
• 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.
• 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).
Kn 11940
K0 = ⇒ ≈ 9999.56
(1 + i ) n
1.036
Kn 1000000
i=n −1 ⇒ 20 − 1 ≈ 0.035264
K0 500000
• Im Beispiel:
t=0 t=1 t=2 t=3
konstanter Kalkulationszinssatz i = 5%
Kapitalwert 3.27
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
• 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
48
121
100
• Über 10 Punkte:
– gute Kenntnisse
• Über 8 Punkte:
– ausreichende Kenntnisse.
– Bitte überprüfen Sie Ihre individuellen Schwachstellen und passen Sie
gut bei elementaren Rechenregeln auf.
• 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!
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
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
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
i =1
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
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
Funktionen I
x3 y4 x3 y4
x2 y3 x2 y3
X Y X Y
y2 y2
x1 x1
y1 y1
Funktionen II
Funktionen III
• 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
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.
DIFFERENZIALRECHNUNG
gegeben.
• Ihre Graph sieht wie folgt aus:
• 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
Δx
Ableitungsregeln I
Funktion f(x) Ableitung f‘(x) Beispiel
xn nx n −1 f ( x ) = x 5 ⇒ f ′( x ) = 5 x 4
Ableitungsregeln II
Funktion f(x) Ableitung f‘(x) Beispiel
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)
Ableitungsregeln III
Funktion f(x) Ableitung f‘(x) Beispiel
e x
e x f ( x ) = e 2 x +5 ⇒ f ′( x ) = 2e 2 x +5
x0 = 60
INTEGRALRECHNUNG
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.
Integralrechnung II
∫ 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.
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
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
∫ c ⋅ f ( x)dx = c ⋅ ∫ f ( x)dx
∫ ( g ( x) ± f ( x))dx = ∫ g ( x)dx + ∫ f ( x)dx
Integralrechnung III
Integralrechnung IV
∫ f ( x)dx = F (b) − F ( A)
a
Integralrechnung V
• Gegeben sei die Funktion für x als reelle Zahl im Intervall [0,4]
16 x −1
f ( x) = − e + x2
x
Integralrechnung V
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
• Davon strikt zu unterscheiden sind die Grenzkosten GK, die sich als
erste Ableitung der Kostenfunktion ergeben:
GK = K ′(x )
GK
DK
• 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
( 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
f ( x) = x5 − x3 f ′( x ) = 5 x 4 − 3x 2
5x 10
f ( x) = f ′( x ) =
x+2 ( x + 2) 2
∫ 204, 6
4
x
1
GK = 2 x − 2
x=3
• Über 16 Punkte:
– gute Kenntnisse
• Über 10 Punkte:
– ausreichende Kenntnisse.
– Bitte überprüfen Sie Ihre individuellen Schwachstellen und passen Sie
gut bei elementaren Rechenregeln auf.
• 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
Transponierte Matrizen
Matrixoperationen – Addition/Subtraktion
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.
Matrixoperationen – Matrizenmultiplikation I
Matrixoperationen – Matrizenmultiplikation II
Matrixoperationen – Matrizenmultiplikation II
− 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
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
Inverse Matrix
Lineare Gleichungssysteme I
Lineare Gleichungssysteme II
• 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
• 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.
• 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.
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.
Gauß‘sche Eliminationsverfahren II
• 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
• 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
• 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
Kombinatorik
Wahrscheinlichkeitsrechnung
Binomialkoeffizienten I
• Es gilt stets:
n n n n n
= = 1 = n =
0 n 1
k n − k
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 III
• Lösung: 4 · 6 · 10 · 20 = 4800
Permutationen I
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
Permutationen III
• Lösung:
12! 479001600
P= = = 3326400
4!⋅3! 24 ⋅ 6
Kombinationen I
Übung Kombinatorik I
• Lösung:
52 52! 52 ⋅ 51
C = = = = 1326
2 2! (52 − 2)! 2
Übung Kombinatorik II
• Lösung:
50 50! 50 ⋅ 49 ⋅ 48
C = = = = 19600
3 3! (50 − 3)! 2⋅3
• Lösung:
T = 13263 = 2331473976
Übung Kombinatorik IV
Zusammenfassung
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 )!
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
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.
• 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
Statistische Wahrscheinlichkeiten I
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).
.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
Subjektive Wahrscheinlichkeiten
Schließende Statistik
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.
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
Zusammenfassung II
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
P( A ∪ B ) = P( A) + P( B ) − P( A ∩ B ) wenn A∩ B ≠ ∅
P( A ∪ B ) = P( A) + P( B ) wenn A∩ B = ∅
• 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
• 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.
• 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
• 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
Ü Mathematische Grundlagen der
Wirtschaftsinformatik
280
Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
Bedingte Wahrscheinlichkeiten I
Bedingte Wahrscheinlichkeiten II
• 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)
Bedingte Wahrscheinlichkeiten IV
P( B | A) = 0.02
P( B | A) = 0.01
P( A) = 0.999
Bedingte Wahrscheinlichkeiten V
• Gesucht ist:
P( A ∩ B )
P( A | B ) =
P( B )
Bedingte Wahrscheinlichkeiten VI
• Gesucht ist:
P( A ∩ B ) 0.00099
P( A | B ) = = ≈ 0.0472
P( B ) 0.02097
Totale Wahrscheinlichkeit I
Totale Wahrscheinlichkeit II
Bayes-Theorem I
Bayes-Theorem II
∑ P( B | A ) ⋅ P( A )
i =1
i i
• 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).
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
= 30
= 10%
= 55%
= 20%
• Über 13 Punkte:
– gute Kenntnisse
• Über 9 Punkte:
– ausreichende Kenntnisse.
– Bitte überprüfen Sie Ihre individuellen Schwachstellen und passen Sie
gut bei elementaren Rechenregeln auf.
Statistik I
Statistik II
Statistik III
• 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}
nicht
Zufallsauswahl zufallsgesteuerte
Auswahlverfahren
reine Klumpen-
Zufallsauswahl stichprobe
mehrstufige
Stichprobe
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.
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.
Stichproben III
Stichproben VI
Stichproben
Grundgesamtheit Vollerhebung (Auschnitte aus der
Grundgesamtheit)
Schneeballsystem
Convenience -Sampling
Zufallsstichprobe
(Random-Sampling)
geschichtete Stichprobe
(Stratified-Sampling)
(Vgl. z.B.: Freedman, D./Pisani, R./Purves, R.: Statistics, 4th edition, Norton, 2007.)
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.
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.
Statistische Variable Bezeichnet die Zuordnung von (reellen) Zahlen zu den Merkmalsausprägungen
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)
Merkmalstypen I abgestufte
diskret
Merkmalsausprägungen lassen Ausprägungen
quantitativ sich durch Zahlen ausdrücken stetig können Zwischenwerte
kontinuierlich annehmen
Zusammenfassung III
Datenerhebung
mehrstufig
einstufig
Pre-Test, Itembildung, Nacherhebung
geschlossene Frage
kardinal Geben Sie ... an Zahl, Tabelle ausfüllen
(ohne neutrale Antwort)
ordinal Geben Sie ... an, Bewerten Sie... () sehr gut () gut () befriedigend ...
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.
Filter- oder Folgefragen Wenn Sie ... dann, Falls Sie ... dann keine, Verweis auf weitere Frage
• Abstrakte Formulierung
Elemente Merkmalsausprägung 1 … Merkmalsausprägung m
X Y
ω1 x1 … y1
… … … …
ωn xn … yn
• Konkretes Beispiel
Einwohner Geburtsort Schulabschluss Einkommen
G S E
… … … …
… … … …
Beispielhafte Übersicht
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)
Daten
Statistisches Modell (konkrete Ausprägungen von statistischen Variablen bei den 120, 80, ... 120, 80, ... 20%, 30%, ...
Untersuchungsobjekten)
Datenarten
Daten
Primärdaten Sekundärdaten
selbst erhoben andere Quellen
Missings
Variable zum Zeitpunkt ...
Variable zum Zeitpunkt 1
Fehlende Merkmals-
ausprägungen werden
Beobachtungen B
Paneldaten
1 unbalanced panel
2
Beobachtungen B
5
2010
...
2009
N 2008
2007
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
Daten Konkret erhobenen Merkmalsausprägungen bei den Merkmalsträgern der Auswahl bzw. Stichprobe.
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
• Über 20 Punkte:
– gute Kenntnisse
• Über 14 Punkte:
– ausreichende Kenntnisse.
– Bitte überprüfen Sie Ihre individuellen Schwachstellen und passen Sie
gut bei elementaren Rechenregeln auf.
Zufallsvariablen I
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.
Zufallsvariablen II
Zufallsvariablen III
Verteilungsfunktionen I
Verteilungsfunktionen II
Verteilungsfunktionen III
Massefunktionen
Dichtefunktionen I
Dichtefunktionen II
f ( x) ≥ 0
∞
∫ f ( x )dx = 1
−∞
Dichtefunktionen II
f ( x) ≥ 0
∞
∫ f ( x )dx = 1
−∞
Dichtefunktionen III
• 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
Erwartungswerte I
Erwartungswerte II
• Für das Beispiel mit dem zweifachen Würfelwurf und dem bilden
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
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 )
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:
Varianzen III
• Für das Beispiel mit dem zweifachen Würfelwurf und dem bilden
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
.2
μ=7
.15
Density
.1.05
σ = ±2.4152
0
2 4 6 8 10 12
Augensumme bei 100000
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 )
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.
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.
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.
DESKRIPTIVE STATISTIK I
Inhalt
• 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)
Kumulierte Häufigkeiten I
Kumulierte Häufigkeiten II
• Wieso?
Klassierte Häufigkeiten I
Klassierte Häufigkeiten II
Klassierte Häufigkeiten IV
Klassierte Häufigkeiten V
Klassierte Häufigkeiten VI
Häufigkeiten - Übung
• Gegeben Sie die folgende unsortierte Urliste, in der die Größe von
Studentenwohnungen in qm angegeben ist.
Merkmalsträger 1 2 3 4 5 6 7 8 9 10
Merkmalsausprägung 12 8 24 42 55 42 12 24 55 90
Merkmalsträger 11 12 13 14 15 16 17 18 19 20
Merkmalsausprägung 42 8 24 55 90 12 24 55 24 12
• 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
Häufigkeiten - Übung
• Sortierte Urliste:
Merkmalsträger 2 12 1 7 16 20 3 8 13 17
Merkmalsausprägung 8 8 12 12 12 12 24 24 24 24
Merkmalsträger 19 4 6 11 5 9 14 18 10 15
Merkmalsausprägung 24 42 42 42 55 55 55 55 90 90
Häufigkeiten - Übung
• Kumulierte absolute und relative Häufigkeiten:
Merkmalsausprägung 8 12 24 42 55 90
kumulierte absolute 2 6 11 14 18 20
Häufigkeitsverteilung
kumulierte relative 0.1 0.3 0.55 0.7 0.9 1
Häufigkeitsverteilung
Häufigkeiten - Übung
• Für die klassierten Daten ergibt sich schließlich:
2.3
3.3
1
3.7
4
.5
0 .5 1 1.5 2
0
1
1.3
relative Häufigkeit
.15
2.3
3.3
.1
3.7
4
.05
0 .05 .1 .15 .2
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
Tortendiagramme
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
26 bis 60m²
bis 25m²
bis 25m²
26 bis 60m²
26 bis 60m²
bis 25m²
Histogramme I
Histogramme II
Wohnfläche in m²
Klasse 1 Klasse 2 Klasse 3
0 25 60 90
Histogramme III
Wohnfläche in m²
Klasse 1 Klasse 2 Klasse 3
ξ0 = 0 ξ1 = 25 ξ2 = 60 ξ3 = 90
Histogramme III
Histogramme III
Histogramme IV
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
Histogramme V
Histogramm VI – Beispiele
0 5000 10000
Monatl. Haushaltsnettoeinkommen (EUR)
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
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
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.
DESKRIPTIVE STATISTIK II
Inhalt
• Lagemaße:
– Modus,
– Median
– Quartile und Quantile
– Mittelwerte
• Streuungsmaße:
– Spannweite
– Quartilsabstände
– Varianz und Standardabweichung
– Variationskoeffizient
• Übersicht über Lage- und Streuungsmaße
• Boxplots
LAGEMAßE:
MODUS, MEDIAN, QUARTILE, QUANTILE UND MITTELWERTE
• 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).
Der Median I
Der Median II
Der Median IV
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?
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.
• Seien x1 ≤ x2 ≤ x3 ≤ … ≤ xn die geordnet Merkmalsausprägungen der
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
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
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.
Quantile I
Quantile II
Arithmetischer Mittelwert
∑ ( x − x) = 0
i =1
i
Unterschiedlichen Mittelwerte
Übung Mittelwerte
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:
• Arithmetisches Mittel:
1
x := ⋅ ( 2 ⋅ 8 + 4 ⋅ 12 + 5 ⋅ 24 + 3 ⋅ 42 + 4 ⋅ 55 + 2 ⋅ 90) = 35.5
20
STREUUNGSMAßE:
SPANNWEITE, QUARTILSABSTÄNDE, VARIANZ, STANDARDABWEICHUNG
UND VARIATIONSKOEFFIZIENT
Spannweite
Quartilsabstände
• Auf die gleiche Weise lassen sich auch die Abstände von beliebigen
p-Quantilen und den zugehörigen (1-p)-Quantilen bilden.
n i =1
n i =1 n i =1
Variationskoeffizient
Übung Streuungsmaße
Übung Streuungsmaße
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
Quartilsabstand
3.0e-04
oberes Quartil
Density
1.0e-04
arith. Mittel
Median
0
0 5000 10000
Monatl. Haushaltsnettoeinkommen (EUR)
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
falls n gerade X X X
+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
Übersicht Lageparameter II
Errechenbar bei** Interpretierbar bei**
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
falls n gerade X X X
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
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 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
*** Bitte beachten Sie die Möglichkeiten der vereinfachten Berechnung und die Eigenschaften
Übersicht Streuungsparameter I
Errechenbar bei** Interpretierbar bei**
Bestimmung*
n o1 o2 k n o1 o2 k
Quartilsabstand QA := Q3 − Q1 X X X
QA
mittlerer MQA := X X X
Quartilsabstand 2
* 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
Übersicht Streuungsparameter II
Errechenbar bei** Interpretierbar bei**
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 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
*** Bitte beachten Sie die Möglichkeiten der vereinfachten Berechnung und die Eigenschaften
BOXPLOTS
Boxplots I
Whisker
Quartilsabstand
Minimum Maximum
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.
Boxplots III
extreme Ausreißer
• Punktierter Boxplot (Schema):
+ +
Maximum
Median (xMe)
Übung Boxplots
x = 35.5
xME = Q2 = 24
Q1 = 12
Q3 = 55
QA = 43
xmin = 8
xmax = 90
0 20 40 60 80 100
var1
Boxplots
Zusammenfassung I
Modalwert Der häufigste Wert der Urliste bzw. bei klassierten Daten die Klassenmitte der Klasse, die am
Modus häufigsten besetzt ist.
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.
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
Zusammenfassung III
Varianz Mittelwert der quadrierten Abweichung der Merkmalsausprägung von ihrem Mittelwert.
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.
Konzentrationsmaße - Einführung
• 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.
∑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.
HERFINDAHL-INDEX
Herfindahl-Index
∑ xi 2
HHI := i =1
n
( ∑ xi ) 2
i =1
Lorenzkurve I
• 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
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
Lorenzkurve III
50%
Lorenzkurve
25%
25% 50% Hj
Lorenzkurve IV
• 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).
Lorenzkurve V
• Es ergibt sich:
Merkmalsausprägung 8 12 24 42 55 90
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
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%
Lorenzkurve VII
0 .25 .5 .75 1
Fraction of the data
50000
Quantiles of Monatl. Haushaltsnettoeinkommen (EUR)
50000
Quantiles of Monatl. Haushaltsnettoeinkommen (EUR)
40000
40000
30000
30000
20000
20000
10000
0 .25 .5 .75 1
10000
4000
Quantiles of Monatl. Haushaltsnettoeinkommen (EUR)
0
0 .25 .5 .75 1
Fraction of the data
0 .25 .5 .75 1
Fraction of the data
Gini-Koeffizient I
50% 50%
Kmax
Lorenzkurve
50% Hj 50% Hj
Gini-Koeffizient II
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).
Gini-Koeffizient III
1 m 1
K = − ∑ ⋅ ( M j −1 + M j ) ⋅ h j 50%
2 j =1 2
Mj
Mj-1
hj Hj
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
Gini-Koeffizient V
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
Hj 10 30 55 70 90 100
Ü 513
Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
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%
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
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
DESKRIPTIVE STATISTIK IV
MEHRDIMENSIONALE HÄUFIGKEITEN
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
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
• Es ergibt sich:
tab Klasse Klasse2 if hinc16 <=12000
Klasse2
Klasse 1 2 3 4 Total
RANDVERTEILUNGEN
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
∑∑ 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• ij •j
=j 1 =i 1
∑=
n bzw. n ∑n ij
• Für das Beispiel mit den Studentenwohnungen sei auch noch die
Zahl der Bewohner bekannt.
Merkmalsträger 1 2 3 4 5 6 7 8 9 10
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
ZUSAMMENHANGSMAßE
• 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.
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
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
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 )
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
i xi yi xi − x yi − y ( xi − x ) ⋅ ( yi − y ) ( xi − x ) 2 ( yi − y ) 2
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
i xi yi xi − x yi − y ( xi − x ) ⋅ ( yi − y ) ( xi − x ) 2 ( yi − y ) 2
1 12 1 -23.5 -0.85 19.975 552.25 0.7225
1 n
⋅∑ 35.5 1.85
18.125
n i =1
∑ ( 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
srg ( X ) ⋅ srg (Y )
Merkmalsträger 1 2 3 4 5 6 7 8 9 10
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
3 9.5 9.5 4 4 16 16 16
4 7.5 7.5 2 2 4 4 4
7 7.5 7.5 2 2 4 4 4
∑ i =1
55 55 28 81 79
1 n
⋅∑ 5.5 5.5 2.8
n i =1
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).
Kontingenzmaße I
Kontingenzmaße II
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)
• 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))
Kontingenzmaße – Beispiel I
Kontingenzmaße – Beispiel II
Kontingenzmaße – Beispiel IV
χ 2 := ∑∑ ij ij
i =1 j =1 Eij
⇒ 2.561 + 0.136 + 2.909 + 3.130 + 0.167 + 3.556 = 12.458
Kontingenzmaße – Beispiel V
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)
Kontingenzmaße – Beispiel VI
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
V Mathematische Grundlagen der
Wirtschaftsinformatik
579
Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
Kontingenzmaße – Übung
Kontingenzmaße – Übung
Kontingenzmaße – Übung
Kontingenzmaße – Übung
Kontingenzmaße – Übung
χ2 4.359
P := ⇒ ≈ 0.134
χ +m
2
4.359 + 240
Kontingenzmaße – Übung
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
Kontingenzmaße – Eigenschaften
χ²
Kontingenzkoeffizient
(Pearsons P)
korrigierter
Kontingenzkoeffizient
φ-Koeffizient
Cramers V
x1 x2
y1 a b a+b
y2 c d c+d
a+c b+d m = a+b+c+d
• 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
Mathematische Grundlagen der
588
Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
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
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
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
Wirtschaftsstatistik 592
Mathematische Grundlagen der
Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
• 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
.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
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
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
Fraction of the data
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
• Über 13 Punkte:
– gute Kenntnisse
• Über 10 Punkte:
– ausreichende Kenntnisse.
– Bitte überprüfen Sie Ihre individuellen Schwachstellen und passen Sie
gut bei elementaren Rechenregeln auf.
Schließende Statistik
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.
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.
Modellverteilungen Prüfverteilungen
(Auswahl) (Auswahl)
Gleichverteilung (2+)
Binomialverteilung (2)
Bernoulli-Verteilung (1)
diskret Poisson-Verteilung (1)
Hypergeometrische Verteilung (3)
Geometrische Verteilung (2)
1 / 6 für x = 1,2,3,4,5,6
f ( x) = Augenzahl (x)
0 sonst 1 2 3 4 5 6
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.
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
1+ 6
E( X ) = = 3.5
2
(6 − 1) 2
V(X ) = = 2.083
12
0.5 0.5
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
0 x<a (b − a) 2
für V(X) =
x −a 12
F ( x) = für a ≤ x ≤ b
b − a
1 für x>b
BINOMIALVERTEILUNG
Binomialverteilung I
Binomialverteilung II
– 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
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
Binomialverteilung IV
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.
Bernoulli-Verteilung
• 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
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
Binomialverteilung V
Binomialverteilung VI
POISSON-VERTEILUNG
Poisson-Verteilung I
• 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.
Poisson-Verteilung II
= ⋅ ⋅ (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
Poisson-Verteilung III
Poisson-Verteilung IV
Poisson-Verteilung V
Poisson-Verteilung VI
– …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!
Poisson-Verteilung VII
λ = 0.5 λ=1
λ=2 λ=5
Poisson-Verteilung VIII
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.
Modellverteilungen Prüfverteilungen
(Auswahl) (Auswahl)
Gleichverteilung (2+)
Binomialverteilung (2)
Bernoulli-Verteilung (1)
diskret Poisson-Verteilung (1)
Hypergeometrische Verteilung (3)
Geometrische Verteilung (2)
Allgemeines I
Allgemeines II
• Die Normalverteilung ist zweifelsohne die
wichtigste Verteilung der Statistik, denn…
Standardnormalverteilung I
Standardnormalverteilung II
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
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 → −∞
Standardnormalverteilung IV
Standardnormalverteilung V
• Es ergibt sich als zugehörige Verteilungsfunktion der
Standardnormalverteilung:
z 1
1 − ⋅u 2
F ( z) = ⋅ ∫ e 2 du
2 ⋅ π −∞
Standardnormalverteilung VI
Standardnormalverteilung VII
Standardnormalverteilung VIII
P(Z>-0.4044)
= 1-P(Z≤-0.4044)
≈ 0.659
P(Z≤-0.4044)
≈ 0.341
Standardnormalverteilung IX
P(Z≥-1.2)
P(Z≤-0.4044) P(Z≥0.4044) = 0.8849
≈ 0.341 ≈ 0.341
Standardnormalverteilung X
Standardnormalverteilung XI
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
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
Standardnormalverteilung XIV
=1-(0.97725-(1-0.84134)
2,0 0,97725 0,97778
=1-(0.97725-0.15866)
=1-0.81859
=0.18141
V Wirtschaftsstatistik
Mathematische Grundlagen der
664
Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
Standardnormalverteilung XV
• Bitte üben Sie das korrekte Auslesen aus der Tabelle, hier ein paar
Beispiele für eine standardnormalverteilte Zufallsvariable Z:
V Wirtschaftsstatistik
Mathematische Grundlagen der
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
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
Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
Fachbereich Wirtschaftswissenschaften
Prof. Dr. Matthias Freund
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.
Normalverteilung II
Normalverteilung III
N(-2,0.5)
N(0,1)
N(2,2)
Normalverteilung IV
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 → −∞
Normalverteilung VI
Normalverteilung VII
.4
.4
.3
.3
Density
Density
.2
.2
.1
.1
0
-4 -2 0 2 4 -4 -2 0 2 4 6
var2 var3