Angewandte Statistik

Einleitung

Das Skript dient als umfassende Grundlage für den Kurs Angewandte Statistik an der IU International University of Applied Sciences. Es bietet den Studierenden eine strukturierte und didaktische Herangehensweise an die komplexen Themen der Statistik, die in der Betriebswirtschaftslehre von grundlegender Bedeutung sind. Der Kurs hat das Ziel, die Studierenden auf theoretischer und praktischer Ebene auf die Anforderungen in der Berufswelt vorzubereiten, insbesondere in Bereichen, in denen Entscheidungen auf der Grundlage von Datenanalysen getroffen werden müssen.

Wegweiser durch das Studienskript

Die Lernressourcen umfassen nicht nur Bücher und Videos in der Online-Bibliothek, sondern auch interaktive Elemente zur Förderung des aktiven Lernens. Zu den interaktiven Elementen gehören Online-Foren, in denen Studierende Fragen stellen und Diskussionen führen können, sowie simulierte Datensätze für praktische Anwendungen.Die Inhalte sind didaktisch in Lektionen gegliedert, wobei jede Lektion spezifische Schwerpunkte und Lernziele hat. Interaktive Quizzes am Ende jeder Lektion helfen dabei, das Wissen zu überprüfen und den Lernfortschritt zu messen.Zusätzlich werden Fallstudien und praktische Anwendungen integriert, um den Studierenden zu helfen, die statistischen Verfahren in realen Geschäftsszenarien anzuwenden. Diese Fallstudien decken verschiedene Branchen ab, darunter Finanzwesen, Marketing und Gesundheitswesen, um ein breites Spektrum an Anwendungsbereichen zu präsentieren.

Inhaltsverzeichnis

Lektionen

Daten und Statistik
Statistik in der Betriebswirtschaft
Wahrscheinlichkeitsverteilungen und ihre Maße
Lagemaße, Streuungsmaße, Zufallsvariablen, Normalverteilung
Punkt- und Intervallschätzungen
Hypothesentests
Auswertung von zweidimensionalen Daten
Kovarianz, Korrelationskoeffizient
Einfaches Regressionsmodell
Multiple lineare Regression
Regression mit kategorialen Variablen
Logistische Regression

Lektion 1: Daten und Statistik

Lernziele

Verständnis für die Bedeutung der Statistik in der Betriebswirtschaftslehre.
Anwendung statistischer Verfahren in der Praxis.

Anwendung statistischer Verfahren

Statistische Verfahren strukturieren die Analyse betrieblicher Daten, indem sie die Erhebung, Aufbereitung und Auswertung von Daten systematisieren.

Deskriptive Statistik: Aufbereitung und Darstellung von Daten durch Tabellen, Diagramme und Grafiken, um Muster und Trends zu identifizieren. Dies ist entscheidend für die visuelle Kommunikation von Daten und das Verständnis der Grundproblematik.
Induktive Statistik: Übertragung der Ergebnisse aus Stichproben auf die Grundgesamtheit. Der Fokus liegt auf der Ableitung von allgemeinen Aussagen aus spezifischen Beobachtungen. Hierbei werden statistische Tests verwendet, um Hypothesen zu überprüfen.

Statistische Methoden

Die Ziele dieser Methoden sind:

Daten zu verdichten.
Zusammenhänge aufzuzeigen.
Prognosen zu erstellen.
Die Unsicherheit zu quantifizieren.Die Anwendung dieser Methoden ermöglicht es Unternehmen, informierte Entscheidungen auf der Grundlage von datenbasierten Analysen zu treffen.
Stochastische und deterministische Zusammenhänge: Die Unterscheidung zwischen stochastischen Modellen, die Unsicherheiten berücksichtigen, und deterministischen Modellen, die vorhandene Daten als fest annehmen, ist entscheidend für die korrekte Interpretation von Daten und deren Anwendung in der Praxis.

Lektion 2: Wahrscheinlichkeitsverteilungen und ihre Maße

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen beschreiben, wie wahrscheinlich verschiedene Ergebnisse in einem Experiment sind und sind fundamental für das Verständnis komplexer statistischer Modelle.

Diskrete Verteilung: Wenn die möglichen Ergebnisse eine endliche Anzahl an Werten haben (z.B. Würfeln).
Stetige Verteilung: Wenn die Ergebnisse in einem kontinuierlichen Bereich liegen (z.B. Messungen wie Temperatur oder Gewicht).

Lagemaße

Arithmetisches Mittel: Der Durchschnitt aller Werte in einer Datensammlung. Berechnung erfolgt durch Summierung aller Werte und Teilung durch die Anzahl der Werte.
Median: Der Wert, der die Daten in zwei Hälften teilt, wobei 50% der Werte darunter und 50% darüber liegen. Dies ist besonders nützlich, wenn es Ausreißer gibt.
Modus: Der häufigste Wert in einem Datensatz. Zur Analyse von Häufigkeitsverteilungen hilfreich.Diese Maße der zentralen Tendenz helfen dabei, die zentrale Position von Daten zu beschreiben und zu verstehen, wie Daten verteilt sind.

Streuungsmaße

Varianz: Ein Maß dafür, wie weit die Werte eines Datensatzes durchschnittlich vom Mittelwert abweichen. Berechnung durch Durchschnitt der quadrierten Abweichungen vom Mittelwert.
Standardabweichung: Die Quadratwurzel der Varianz, die angibt, wie stark die Werte um den Mittelwert streuen. Eine höhere Standardabweichung zeigt eine größere Streuung in den Daten an.Diese Maße sind entscheidend für die Beurteilung der Streuung (Dispersion) in der Datenverteilung und bieten wertvolle Einblicke in die Stabilität und Konsistenz von Daten.

Lektion 3: Punkt- und Intervallschätzungen

Punkteschätzung

Die Punkteschätzung ist die Schätzung eines Parameters (z.B. Mittelwert) anhand von Stichprobendaten. Diese Schätzungen sind jedoch mit Unsicherheiten behaftet und sollten daher mit Vorsicht interpretiert werden.

Intervallschätzung

Im Gegensatz zur Punkteschätzung wird mit der Intervallschätzung ein Bereich angegeben, in dem der wahre Parameter mit einer bestimmten Wahrscheinlichkeit liegt, oft ausgedrückt durch Konfidenzintervalle. Je nach gewähltem Vertrauensniveau (z.B. 95% oder 99%) wird die Breite des Intervalls angepasst.

Anwendung in der Praxis

Punkt- und Intervallschätzung sind in der Betriebswirtschaftslehre wichtig, um fundierte Entscheidungen zu treffen, Unsicherheiten zu quantifizieren und Risikoabschätzungen zu ermöglichen.

Lektion 4: Hypothesentests

Hypothesen formulieren

Nullhypothese (H0): Die Hypothese, die getestet wird und normalerweise den Status quo darstellt, erwartet kein Effekt oder Unterschied zwischen Gruppen oder Variablen.
Alternativhypothese (H1): Diese Hypothese wurde aufgestellt, um die Nullhypothese zu widerlegen. Sie postuliert einen Effekt oder Unterschied.

Testverfahren

Hypothesentests nutzen verschiedene Verfahren, um zu bestimmen, ob die Ergebnisse einer Stichprobe statistisch signifikant sind. Zu den gängigen Testverfahren gehören:

t-Test: Vergleicht Mittelwerte zwischen zwei Gruppen.
Chi-Quadrat-Test: Überprüft die Verteilung einer kategorialen Variable.

Entscheidungsfindung

Die Ergebnisse aus Hypothesentests sind entscheidend für die Entscheidungsfindung in der Betriebswirtschaft, insbesondere in Bezug auf neue Strategien, Investitionen oder Maßnahmen zur Verbesserung von Prozessen und Produkten.

Lektion 5: Auswertung von zweidimensionalen Daten

Zwei-Dimensionale Daten

Zwei-dimensionale Daten können in Form von Tabellen oder Scatterplots dargestellt werden. Das Ziel ist es, Beziehungen zwischen zwei Variablen zu analysieren, z.B. den Einfluss von Marketingausgaben auf Verkaufszahlen.

Kovarianz und Korrelationskoeffizient

Kovarianz: Ein Maß für die gemeinsame Variation zweier Zufallsvariablen. Eine positive Kovarianz zeigt an, dass die Variablen tendenziell zusammen steigen, während eine negative Kovarianz anzeigt, dass eine Variable steigt, während die andere fällt.
Korrelationskoeffizient: Ein standardisiertes Maß (zwischen -1 und +1), das die Stärke und Richtung einer linearen Beziehung zwischen zwei Variablen beschreibt. Werte nahe +1 zeigen eine starke positive Beziehung, während Werte nahe -1 eine starke negative Beziehung zeigen.

Anwendungen

Diese Auswertungen sind besonders relevant im Marketing und zur Analyse von Verkaufsdaten, um Trends, Muster und mögliche Zusammenhänge zwischen verschiedenen Geschäftsparametern zu erkennen.

Lektion 6: Einfaches Regressionsmodell

Einfache lineare Regression

Die einfache lineare Regression modelliert die Beziehung zwischen einer abhängigen und einer unabhängigen Variablen anhand einer linearen Gleichung.Die Formel lautet y = a + b * x, wobei a der y-Achsenabschnitt und b die Steigung der Linie ist.

Schätzung der Parameters

Die Parameter werden in der Regel durch die Methode der kleinsten Quadrate geschätzt, die darauf abzielt, die Summe der quadrierten Abweichungen zwischen den beobachteten und geschätzten Werten zu minimieren.

Anwendung

Solche Modelle helfen dabei, zukünftige Werte basierend auf historischen Daten vorherzusagen, beispeilsweise wie sich Verkaufspreise in Abhängigkeit von Marketingausgaben entwickeln können, was für strategische Geschäftsentwicklungen äußerst wichtig ist.

Lektion 7: Multiple lineare Regression

Erweiterung der einfachen Regression

In der multiplen linearen Regression wird die unabhängige Variable durch mehrere unabhängige Variablen ersetzt. Dadurch können komplexere Zusammenhänge modelliert werden, um zu analysieren, wie mehrere Faktoren gleichzeitig Einfluss auf eine abhängige Variable haben.

Interpretation der Ergebnisse

Die Analyse ermöglicht es, den Einfluss der einzelnen Variablen auf die abhängige Variable zu verstehen und zu quantifizieren. Diese Vorgehensweise ist besonders nützlich, um detaillierte Einblicke in die Determinanten von Ergebnissen zu erhalten.

Relevanz

Solche Modelle sind besonders nützlich in der Wirtschaft, um mehrere Faktoren gleichzeitig zu berücksichtigen, wie beispielsweise Preis, Werbung, Markttrends und deren kombinierte Auswirkungen auf den Umsatz.

Lektion 8: Regression mit kategorialen Variablen

Kategoriale Variablen

Kategoriale Variablen sind Gruppierungen oder Kategorien (wie Geschlecht, Region oder Produktkategorie) und stellen eine Herausforderung in der Regression dar, da sie nicht direkt in mathematischen Modellen behandelt werden können.

Logistische Regression

Logistische Regression ist ein statistisches Modell, das zum Vorhersagen von binären Ergebnissen (z.B. Ja/Nein) verwendet wird und sich eignet, um Wahrscheinlichkeiten von Ereignissen zu analysieren, bei denen die abhängige Variable dichotom ist. Dabei wird die logistische Funktion verwendet, um die lineare Kombination der unabhängigen Variablen in eine Wahrscheinlichkeit umzuwandeln.

Anwendungen

Diese Art der Analyse ist entscheidend in Bereichen wie Marketing zur Zielgruppenbestimmung, bei medizinischen Studien zur Ergebnisklassifikation und in der Sozialwissenschaft, um Verhaltensweisen oder Entscheidungen vorherzusagen.