BWL Max

Statistik und Wirtschaftsmathematik · 10 Themen

Statistik lernen: Wahrscheinlichkeit, Verteilungen und Tests für Wiwis

Statistik ist für viele BWLer das gefürchtetste Fach, dabei folgt es einer klaren Linie: Erst beschreibt man Daten mit Kennzahlen, dann modelliert man Zufall mit Verteilungen, und zum Schluss zieht man aus Stichproben Schlüsse über die Grundgesamtheit.

Dazu kommen zwei Werkzeuge aus der Wirtschaftsmathematik, die in BWL und VWL immer wieder gebraucht werden: Zinsrechnung und die Optimierung mit Lagrange.

Frei zugänglich, ohne Anmeldung. Jedes Thema mit Kernidee, Formel und kleinem Rechenbeispiel.

Wirtschaftsmathematik

Werkzeuge für BWL und VWL.

1

Zinsrechnung

KernideeZinsen sind der Preis dafür, dass jemand Geld für eine bestimmte Zeit überlässt. Bei einfacher Verzinsung werden sie nur auf das Anfangskapital berechnet, der Zinssatz gilt pro Jahr (p. a.). Für Tageszinsen zählt man nach der deutschen (kaufmännischen) Methode 30/360: jeder Monat hat 30 Tage, das Jahr 360. Bleiben Zinsen über mehrere Jahre stehen und werden mitverzinst, rechnet man mit Zinseszins.

Z = \frac{K \cdot p \cdot t}{100 \cdot 360} \qquad K_t = K \cdot \left(1 + i \cdot \frac{t}{360}\right) \qquad K_n = K_0 \cdot (1+i)^n

Z Zinsen, K Kapital, p Zinssatz in Prozent p. a., i = p/100, t Zinstage, n Jahre (Zinseszins).

Beispiel18.000 € liegen als Festgeld vom 15.03. bis zum 20.08. desselben Jahres zu 2,5 % p. a.

  • Zinstage nach 30/360: t = (8-3) \cdot 30 + (20-15) = 155
  • Zinsen: Z = \frac{18.000 \cdot 2{,}5 \cdot 155}{100 \cdot 360} = 193{,}75 €, Endkapital 18.193,75 €
  • Zum Vergleich mit Zinseszins: 10.000 € zu 3 % über 5 Jahre ergeben 10.000 \cdot 1{,}03^5 \approx 11.592{,}74 €
2

Lagrange-Methode (Optimierung unter Nebenbedingungen)

KernideeGesucht ist das Maximum oder Minimum einer Zielfunktion f(x,y), wobei eine Nebenbedingung g(x,y) = c eingehalten werden muss, etwa ein festes Budget. Man bildet die Lagrange-Funktion, setzt alle partiellen Ableitungen gleich null und löst das Gleichungssystem. Der Multiplikator \lambda ist ein Schattenpreis: Er gibt näherungsweise an, um wie viel sich der optimale Zielwert ändert, wenn die Nebenbedingung um eine Einheit gelockert wird. Ob wirklich ein Maximum vorliegt und ob Randlösungen besser sind, prüft man gesondert.

\mathcal{L}(x, y, \lambda) = f(x, y) + \lambda \cdot \bigl(c - g(x, y)\bigr) \qquad \frac{\partial \mathcal{L}}{\partial x} = 0, \;\; \frac{\partial \mathcal{L}}{\partial y} = 0, \;\; \frac{\partial \mathcal{L}}{\partial \lambda} = 0

BeispielMaximiere die Produktion Q = 2 \cdot K^{0{,}5} \cdot A^{0{,}5} unter dem Budget 40K + 10A = 2.000 (Maschinenstunde 40 €, Arbeitsstunde 10 €).

  • Bedingungen: K^{-0{,}5} A^{0{,}5} = 40\lambda und K^{0{,}5} A^{-0{,}5} = 10\lambda; geteilt: \frac{A}{K} = 4, also A = 4K
  • In die Nebenbedingung: 40K + 40K = 2.000 \Rightarrow K = 25,\; A = 100
  • Output Q = 2 \cdot 5 \cdot 10 = 100, Multiplikator \lambda = \frac{\sqrt{100/25}}{40} = 0{,}05: Ein Euro mehr Budget bringt rund 0,05 Einheiten mehr Output.

Beschreibende Statistik

Daten mit Kennzahlen zusammenfassen.

3

Varianz und Standardabweichung

KernideeDie Varianz ist der Durchschnitt der quadrierten Abweichungen vom Mittelwert, die Standardabweichung die Wurzel daraus und hat deshalb dieselbe Einheit wie die Daten. Beschreibst du nur die vorliegenden Daten, teilst du durch n. Schätzt du aus einer Stichprobe die Streuung der Grundgesamtheit, teilst du durch n-1, damit der Schätzer erwartungstreu ist. Die Bezeichnungen unterscheiden sich je nach Lehrbuch, maßgeblich ist das eigene Skript.

\bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i \qquad s^2 = \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})^2 \qquad s^{*2} = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2 \qquad s = \sqrt{s^2}

BeispielTagesumsätze eines Cafés von Montag bis Freitag in €: 1.040, 860, 1.180, 920, 1.000.

  • Mittelwert \bar{x} = 5.000 / 5 = 1.000; Abweichungen 40, −140, 180, −80, 0
  • Quadratsumme 1.600 + 19.600 + 32.400 + 6.400 + 0 = 60.000
  • Beschreibend: s^2 = 60.000 / 5 = 12.000 €², s \approx 109{,}54 €
  • Als Stichprobe: s^{*2} = 60.000 / 4 = 15.000 €², s^{*} \approx 122{,}47 €
4

Korrelation

KernideeDer Korrelationskoeffizient nach Bravais-Pearson r misst Stärke und Richtung des linearen Zusammenhangs zweier metrischer Merkmale. Er ist einheitenlos und liegt zwischen −1 und +1 (definiert, wenn beide Merkmale streuen). Werte nahe ±1 bedeuten einen starken, Werte nahe 0 keinen linearen Zusammenhang. Korrelation beweist keine Kausalität.

r = \frac{s_{xy}}{s_x \cdot s_y} \qquad r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \cdot \sum (y_i - \bar{y})^2}}

In der rechten Form kürzen sich 1/n bzw. 1/(n-1) heraus, du brauchst nur drei Summen.

BeispielWerbung x und Umsatz y von sechs Filialen (Tsd. €): x = 2, 4, 5, 7, 8, 10 und y = 42, 45, 52, 50, 64, 71.

  • Mittelwerte \bar{x} = 6, \bar{y} = 54
  • Summen: \sum (x_i-\bar{x})(y_i-\bar{y}) = 152, \sum (x_i-\bar{x})^2 = 42, \sum (y_i-\bar{y})^2 = 634
  • r = \frac{152}{\sqrt{42 \cdot 634}} = \frac{152}{163{,}18} \approx 0{,}93: starker positiver linearer Zusammenhang
5

Lineare Regression

KernideeDie Regressionsgerade \hat{y} = a + b \cdot x beschreibt, wie sich y im Mittel mit x ändert. Nach der Methode der kleinsten Quadrate werden a und b so gewählt, dass die Summe der quadrierten Residuen e_i = y_i - \hat{y}_i minimal ist. Die Gerade läuft immer durch den Schwerpunkt (\bar{x}, \bar{y}). Das Bestimmtheitsmaß R^2 gibt den erklärten Anteil der Streuung an; bei einer erklärenden Variable gilt R^2 = r^2.

b = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2} \qquad a = \bar{y} - b \cdot \bar{x} \qquad R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}

BeispielWerbung x = 2, 4, 5, 7, 8, 10 und Umsatz y = 40, 43, 49, 55, 55, 64 (Tsd. €) in sechs Monaten.

  • \bar{x} = 6, \bar{y} = 51, \sum (x_i-\bar{x})(y_i-\bar{y}) = 126, \sum (x_i-\bar{x})^2 = 42
  • b = 126/42 = 3, a = 51 - 3 \cdot 6 = 33, also \hat{y} = 33 + 3x
  • Residuen 1, −2, 1, 1, −2, 1: R^2 = 1 - \frac{12}{390} \approx 0{,}969
  • Jeder zusätzliche Tausender Werbung geht im Mittel mit 3.000 € mehr Umsatz einher. Prognose für x = 12: \hat{y} = 69, wobei das außerhalb der beobachteten Werte liegt (Extrapolation, mit Vorsicht).

Wahrscheinlichkeit und Verteilungen

Zufall rechnen.

6

Erwartungswert

KernideeBei einer diskreten Zufallsvariable multiplizierst du jeden möglichen Wert mit seiner Wahrscheinlichkeit und addierst alles. Die Wahrscheinlichkeiten müssen sich zu 1 addieren. Bei stetigen Zufallsvariablen tritt das Integral über die Dichte an die Stelle der Summe. Der Erwartungswert sagt nichts über das Risiko; dafür brauchst du Varianz bzw. Standardabweichung.

E(X) = \sum_{i} x_i \cdot p_i \qquad \operatorname{Var}(X) = \sum_{i} \bigl(x_i - E(X)\bigr)^2 \cdot p_i \qquad E(X) = \int_{-\infty}^{\infty} x \cdot f(x)\,\mathrm{d}x

BeispielEin Foodtruck wählt für Samstag zwischen zwei Standorten. Der Tagesgewinn hängt vom Wetter ab:

Wetterp_iGewinn AGewinn B
Sonne0,54.000 €2.000 €
bewölkt0,31.500 €1.600 €
Regen0,2−1.000 €1.200 €
  • E(A) = 4.000 \cdot 0{,}5 + 1.500 \cdot 0{,}3 + (-1.000) \cdot 0{,}2 = 2.250 €
  • E(B) = 2.000 \cdot 0{,}5 + 1.600 \cdot 0{,}3 + 1.200 \cdot 0{,}2 = 1.720 €
  • A bringt im Mittel mehr, streut aber stark: \sigma_A \approx 1.952{,}56 € gegenüber \sigma_B \approx 312{,}41 €.
7

Binomialverteilung

KernideeEin Versuch mit den Ausgängen Erfolg oder Misserfolg wird n-mal unabhängig wiederholt, die Erfolgswahrscheinlichkeit p bleibt gleich (Ziehen mit Zurücklegen). X zählt die Erfolge, man schreibt X \sim B(n;\,p). Der Binomialkoeffizient zählt, auf wie viele Arten sich die k Erfolge auf die n Versuche verteilen lassen. Bei „mindestens eins“ ist das Gegenereignis der kürzeste Weg.

P(X = k) = \binom{n}{k} \cdot p^k \cdot (1-p)^{n-k} \qquad E(X) = n \cdot p \qquad \operatorname{Var}(X) = n \cdot p \cdot (1-p) \qquad P(X \ge 1) = 1 - (1-p)^n

BeispielEine Vertriebsmitarbeiterin ruft 12 Kunden an, jeder sagt unabhängig mit 15 % zu: X \sim B(12;\,0{,}15).

  • Genau 2 Abschlüsse: P(X = 2) = \binom{12}{2} \cdot 0{,}15^2 \cdot 0{,}85^{10} = 66 \cdot 0{,}0225 \cdot 0{,}1969 \approx 0{,}2924
  • Mindestens ein Abschluss: P(X \ge 1) = 1 - 0{,}85^{12} \approx 1 - 0{,}1422 = 0{,}8578
  • E(X) = 12 \cdot 0{,}15 = 1{,}8, \operatorname{Var}(X) = 12 \cdot 0{,}15 \cdot 0{,}85 = 1{,}53, \sigma \approx 1{,}24
8

Normalverteilung

KernideeDie Normalverteilung N(\mu;\,\sigma^2) ist stetig, glockenförmig und symmetrisch um den Erwartungswert \mu; die Standardabweichung \sigma bestimmt die Breite. Rund 68,3 % der Werte liegen in \mu \pm \sigma, 95,4 % in \mu \pm 2\sigma, 99,7 % in \mu \pm 3\sigma. Wahrscheinlichkeiten bestimmst du, indem du auf die Standardnormalverteilung N(0;\,1) standardisierst und \Phi(z) in der Tabelle abliest.

z = \frac{x - \mu}{\sigma} \qquad P(X \le x) = \Phi(z) \qquad \Phi(-z) = 1 - \Phi(z) \qquad P(a \le X \le b) = \Phi(z_b) - \Phi(z_a)

Dabei ist z_a = \frac{a-\mu}{\sigma} und z_b = \frac{b-\mu}{\sigma}. Für Quantile rechnest du zurück: x = \mu + z \cdot \sigma.

BeispielDie Füllmenge von Kaffeepackungen ist normalverteilt mit \mu = 505 g und \sigma = 4 g.

  • Unter 500 g: z = \frac{500 - 505}{4} = -1{,}25, also P(X \lt 500) = \Phi(-1{,}25) = 1 - 0{,}8944 = 0{,}1056, gut 10,6 % der Packungen
  • Zwischen 500 g und 510 g: \Phi(1{,}25) - \Phi(-1{,}25) = 0{,}8944 - 0{,}1056 = 0{,}7888, rund 78,9 %

Schließende Statistik

Von der Stichprobe auf das Ganze schließen.

9

Konfidenzintervall

KernideeEin Konfidenzintervall folgt dem Bauplan Schätzwert ± kritischer Wert · Standardfehler. Das Konfidenzniveau 1-\alpha (meist 95 %) bezieht sich auf das Verfahren: Bei vielen Stichproben überdecken rund 95 % der so berechneten Intervalle den wahren Wert. Ist \sigma bekannt, nimmst du das Quantil der Normalverteilung, sonst das der t-Verteilung mit n-1 Freiheitsgraden (bei normalverteilten Daten). Je größer n, desto schmaler das Intervall.

\bar{x} \pm z_{1-\alpha/2} \cdot \frac{\sigma}{\sqrt{n}} \qquad \bar{x} \pm t_{n-1;\,1-\alpha/2} \cdot \frac{s}{\sqrt{n}}

Kritische Werte der Normalverteilung: z_{0{,}95} = 1{,}645 (90 %), z_{0{,}975} = 1{,}960 (95 %), z_{0{,}995} = 2{,}576 (99 %). s ist die Stichprobenstandardabweichung mit n-1.

Beispiel25 zufällige Bestellungen eines Onlineshops: \bar{x} = 48 €, s = 10 €, Werte annähernd normalverteilt. Gesucht ist das 95-%-Intervall für den mittleren Warenkorb.

  • \sigma unbekannt, also t-Verteilung mit 24 Freiheitsgraden: t_{24;\,0{,}975} = 2{,}064
  • Standardfehler \frac{10}{\sqrt{25}} = 2, Fehlermarge 2{,}064 \cdot 2 \approx 4{,}13
  • Intervall: [\,43{,}87 \,;\, 52{,}13\,] €
10

Hypothesentest

KernideeWas du nachweisen willst, gehört in die Alternativhypothese H_1, die Gegenposition in die Nullhypothese H_0. Aus der Stichprobe berechnest du eine Teststatistik und vergleichst sie mit dem kritischen Wert zum Signifikanzniveau \alpha. Liegt sie im Ablehnungsbereich (gleichwertig: p-Wert \le \alpha), wird H_0 abgelehnt. Wird H_0 nicht abgelehnt, ist sie damit nicht bewiesen.

z = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}} \qquad H_0 \text{ ablehnen, wenn } z \gt z_{1-\alpha}

Gauß-Test für den Mittelwert bei bekanntem \sigma, hier rechtsseitig. Linksseitig lehnt man ab, wenn z \lt -z_{1-\alpha}, zweiseitig, wenn |z| \gt z_{1-\alpha/2}.

BeispielEin Lieferdienst verspricht im Schnitt höchstens 30 Minuten. 49 Lieferungen dauern im Mittel 32,1 Minuten, \sigma = 6 ist bekannt, \alpha = 5\,\%.

  • Hypothesen: H_0\colon \mu \le 30 gegen H_1\colon \mu \gt 30
  • Teststatistik: z = \frac{32{,}1 - 30}{6/\sqrt{49}} = \frac{2{,}1 \cdot 7}{6} = 2{,}45
  • 2{,}45 \gt z_{0{,}95} = 1{,}645, also wird H_0 abgelehnt (p-Wert \approx 0{,}0071).
EntscheidungH_0 ist wahrH_0 ist falsch
H_0 ablehnenFehler 1. Art (\alpha)richtig (Teststärke 1-\beta)
H_0 nicht ablehnenrichtigFehler 2. Art (\beta)

Ein kleineres \alpha senkt den Fehler 1. Art, erhöht bei gleichem n aber \beta. Beide zugleich senkt vor allem ein größerer Stichprobenumfang.

Was in der Klausur oft drankommt

  • Standardisieren und Wahrscheinlichkeiten aus der NormalverteilungstabelleThema 8 ↑
  • Binomialverteilung mit Erwartungswert und VarianzThema 7 ↑
  • Regressionsgerade nach der Methode der kleinsten QuadrateThema 5 ↑
  • Hypothesentest mit Fehler 1. und 2. ArtThema 10 ↑

Häufige Fragen

Wie lerne ich Statistik am schnellsten?

Rechne zu jedem Thema mehrere Aufgaben selbst und schreib dir auf, welche Formel bei welcher Fragestellung passt. In Statistik scheitern die meisten nicht an der Rechnung, sondern daran, das richtige Verfahren zu erkennen.

Brauche ich für Statistik viel Mathe?

Weniger als befürchtet. Grundrechenarten, Summenzeichen, Wurzeln und der Umgang mit Tabellen reichen für den Großteil. Ableitungen brauchst du vor allem für Lagrange und die Regression.

Werkzeuge zum Weiterrechnen

  • Statistik-Rechner

    Mittelwert, Median, Varianz, Standardabweichung, Korrelation und Regressionsgerade mit Rechenweg.

  • Verteilungstabellen

    Standardnormalverteilung und Quantile der t-, χ²- und F-Verteilung, dazu Rechner für Normal-, Binomial- und Poissonverteilung.

  • Formelsammlung Statistik

    Druckbare Formelsammlung für Statistik I und II: Lage- und Streuungsmaße, Korrelation, Regression, Verteilungen, Schätzen und Testen.

  • Kombinatorik-Rechner

    Variationen, Kombinationen, Permutationen und Binomialkoeffizienten exakt, mit Rechenweg und Entscheidungshilfe.

  • Zinsrechner

    Auf- und abzinsen, Rentenbarwert und -endwert, ewige Rente und Effektivzins mit Formel und Rechenweg.