Diese Zusammenfassung stellt eine Formelsammlung für das Studienfach "Statistik für Wirtschaftsinformatiker" in Stichpunkten dar.
Aus dem Inhalt:
Grundlagen,
Univariate Verteilungsanalyse,
Median,
Streuungsmaße,
Formenmaße,
Statistische Konzentration,
Einfache lineare Regression.
Inhaltsverzeichnis der statistischen Grundlagen
1. Grundlagen
2. Univariate Verteilungsanalyse
3. Klassenmitte = Obergrenze + Untergrenze durch 2!
4. Median
5. Streuungsmaße
6. Formenmaße
7. Statistische Konzentration
8. Kovarianz am Vbsp. 3.3
9. Einfache lineare Regression
Zielsetzung und thematische Schwerpunkte
Das Ziel dieses Dokuments ist die prägnante Zusammenstellung und mathematische Herleitung statistischer Kennzahlen und Methoden zur deskriptiven Datenanalyse sowie zur Untersuchung von Zusammenhängen zwischen Variablen.
- Grundlegende Definitionen von Variablen und Skalenniveaus
- Methoden der univariaten Verteilungsanalyse und Lagemaße
- Berechnung von Streuungsparametern und Formenmaßen
- Analyse statistischer Konzentration mittels Gini-Koeffizient und Lorenzkurve
- Anwendung der Regressionsanalyse und Kovarianzbestimmung
Auszug aus dem Buch
Einfache lineare Regression:
Residualanalyse => ui = yi - y^i
Ist der Unterschied zwischen dem erwartetem Wert und dem Ist-Wert!
Kleinst-Quadrate-Methode = Die Summe der quadrierten Abweichungen sollen minimal sein.
Zusammenfassung der Kapitel
Grundlagen: Definition zentraler Variablen und statistischer Einheiten sowie Darstellung der Skalenniveaus.
Univariate Verteilungsanalyse: Mathematische Darstellung von absoluten und relativen Häufigkeiten sowie der Verteilungsfunktion.
Klassenmitte = Obergrenze + Untergrenze durch 2!: Erläuterung der Berechnung von Klassenmitten und Modalwerten für gruppierte Daten.
Median: Vorgehensweise zur Ermittlung des Medians sowohl für Urlisten als auch für klassierte Daten.
Streuungsmaße: Vorstellung verschiedener Indikatoren wie Spannweite, Varianz, Standardabweichung und Variationskoeffizient.
Formenmaße: Analyse von Schiefe und Wölbung einer Verteilung zur Beschreibung ihrer Formcharakteristik.
Statistische Konzentration: Messung der Ungleichverteilung von Merkmalssummen mit Kennzahlen wie dem Gini-Koeffizienten.
Kovarianz am Vbsp. 3.3: Praktische Demonstration der Kovarianzberechnung und des Korrelationskoeffizienten anhand eines numerischen Beispiels.
Einfache lineare Regression: Einführung in die Regressionsanalyse und die Anwendung der Kleinst-Quadrate-Methode zur Modellierung von Zusammenhängen.
Schlüsselwörter
Statistik, Varianz, Standardabweichung, Regression, Median, Mittelwert, Kovarianz, Gini-Koeffizient, Lorenzkurve, Häufigkeitsverteilung, Skalenniveau, Streuungsmaß, Schiefe, Wölbung, Kleinst-Quadrate-Methode.
Häufig gestellte Fragen
Worum geht es in diesem Dokument grundsätzlich?
Das Dokument dient als kompakte statistische Formelsammlung und Leitfaden für die deskriptive Statistik und Regressionsanalyse.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen die univariate Datenanalyse, Streuungs- und Formenmaße sowie die statistische Konzentration und bivariaten Zusammenhänge.
Was ist das primäre Ziel dieser Arbeit?
Das Ziel ist die Bereitstellung einer klaren mathematischen Übersicht zur Analyse statistischer Datenstrukturen und deren Interpretation.
Welche wissenschaftliche Methode wird verwendet?
Es werden mathematisch-statistische Methoden angewandt, insbesondere deskriptive Kennzahlen und die Methode der kleinsten Quadrate.
Was wird im Hauptteil behandelt?
Der Hauptteil behandelt die Berechnung von Lagemaßen, Streuungsparametern, Konzentrationsmaßen sowie die Durchführung von Regressionsanalysen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Begriffe wie Varianz, Regression, Gini-Koeffizient und Häufigkeitsverteilung charakterisieren den Inhalt treffend.
Wie wird die Konzentration von Merkmalen gemessen?
Die Konzentration wird primär über absolute Konzentrationsmaße (wie den Herfindahl-Index) und relative Maße (wie die Lorenzkurve und den Gini-Koeffizienten) bestimmt.
Warum ist die Residualanalyse bei der Regression wichtig?
Sie ist wichtig, um den Unterschied zwischen den vom Modell erwarteten Werten und den tatsächlichen Ist-Werten zu quantifizieren.
- Quote paper
- Martin Schlesier (Author), 2011, Zusammengefasste Formelsammlung. Statistik für Wirtschaftsinformatiker, Munich, GRIN Verlag, https://www.grin.com/document/299091
