Beiträge von RobertM

Zur Erkennungsfrage – der Aufgabentext verrät es fast immer über Signalwörter:

• Ohne Zurücklegen: „gleichzeitig ziehen“, „eine Stichprobe entnehmen“, „auf einen Griff“, „verschiedene Personen auswählen“. Sobald ein Objekt nicht doppelt vorkommen kann, ist es ohne Zurücklegen.
• Mit Zurücklegen: „Würfeln“, „mehrmals drehen“, „mit Wiederholung“, oder wenn die Grundgesamtheit riesig ist (dann macht ein fehlendes Stück praktisch keinen Unterschied).

Und für später der Anschluss an die Verteilungen: mit Zurücklegen (feste Wahrscheinlichkeit pro Versuch) führt auf die Binomialverteilung, ohne Zurücklegen auf die hypergeometrische Verteilung. Bei großer Grundgesamtheit darf man die hypergeometrische näherungsweise durch die Binomialverteilung ersetzen – dann ist der Unterschied vernachlässigbar.

Und zum vor- vs. nachschüssig: nachschüssig = Zahlung am Ende der Periode, vorschüssig = am Anfang. Bei vorschüssig liegt jede Rate ein Jahr länger auf dem Konto und wird einmal mehr verzinst.

Deshalb musst du nichts neu herleiten – du multiplizierst den nachschüssigen Endwert einfach mit q:

Endwert(vor) = Endwert(nach) · q

Bei deinem Beispiel also 11.464 · 1,03 ≈ 11.808 €. Faustregel für die Klausur: „vorschüssig = nachschüssig, aber ein Jahr mehr Zins“. Und wenn du wissen willst, was die Sparreihe heute wert ist statt am Ende, ist es der Rentenbarwert – dann teilst du den Endwert noch durch q^n.

Genau, und es gibt noch den Grenzfall, der die zwei verbindet: Wenn n groß ist, wird die Binomialverteilung mühsam zu rechnen (viele Summanden). Dann darf man sie durch die Normalverteilung annähern – Daumenregel dafür ist die Laplace-Bedingung σ = √(n·p·(1−p)) > 3.

Für die Aufgabenwahl heißt das aber: Wenn µ und σ direkt gegeben sind und es um eine gemessene Größe geht, ist es von vornherein eine Normalverteilungs-Aufgabe. Die Näherung ist nur der Sonderfall „eigentlich binomial, aber n zu groß zum Ausrechnen“.

Marcos Erklärung ist genau richtig – und es gibt noch eine schöne ökonomische Lesart dazu. Der Gewinn ist Erlös minus Kosten: G(x) = E(x) − K(x). Wenn du ableitest, steht da G'(x) = E'(x) − K'(x), und G'(x)=0 bedeutet E'(x) = K'(x) – also Grenzerlös = Grenzkosten.

Intuitiv: Solange dir eine zusätzlich produzierte Einheit mehr Erlös bringt als sie kostet, lohnt sich Ausweiten. Sobald die nächste Einheit mehr kostet als sie einbringt, hast du zu viel produziert. Das Optimum liegt genau dort, wo beide gleich sind – und das ist rechnerisch dein G'(x)=0. Dann weißt du auch, warum die Formel Sinn ergibt und nicht nur ein Rezept ist.

Ergänzend zu Marco: Achte auch aufs Skalenniveau. Das arithmetische Mittel ist nur bei metrischen Daten sinnvoll (Beträge, Längen, Gewichte). Bei ordinalen Daten – etwa Schulnoten oder Zufriedenheit von 1 bis 5 – ist der Median sauberer, weil die Abstände zwischen den Stufen nicht garantiert gleich groß sind.

Kleiner Merksatz aus meiner Klausurvorbereitung: „Mittelwert für Messwerte, Median für Rangwerte und schiefe Verteilungen.“ Und wenn Mittelwert und Median weit auseinanderliegen, ist das schon ein Signal, dass die Verteilung schief ist – dann lohnt sich ein Blick ins Histogramm.

Marcos Häufigkeitstabelle ist der beste Einstieg. Für die Klausur würde ich es zusätzlich mit einem Baumdiagramm verknüpfen, dann siehst du, woher die Bayes-Formel kommt:

• Erste Verzweigung: krank / gesund (die Vortest-Wahrscheinlichkeit).
• Zweite Verzweigung je Ast: Test positiv / negativ.

Der Nenner der Bayes-Formel ist nichts anderes als die Summe aller Pfade, die zu „positiv“ führen (Satz von der totalen Wahrscheinlichkeit). Wenn du mit natürlichen Häufigkeiten rechnest, ist dieser Nenner automatisch deine Gesamtzahl der Positiven – du musst dir die Formel dann gar nicht merken, sie fällt aus dem Baum heraus. Zeichne den Baum einmal selbst mit deinen Zahlen, dann klickt es.

Ergänzend die Entscheidungsregel, die in fast jeder Klausur drankommt: Du legst vorher ein Signifikanzniveau α fest (meist 5 % = 0,05). Dann gilt:

• p ≤ α → H₀ verwerfen (Ergebnis ist „signifikant“).
• p > α → H₀ nicht verwerfen (das Ergebnis reicht als Beweis nicht aus).

Wichtige Sprachregel, auf die Korrektoren achten: Man sagt nie „H₀ ist bewiesen/angenommen“, sondern nur „nicht verworfen“. Fehlende Beweise sind kein Freispruch erster Klasse. 😉 Und α ist gleichzeitig dein Risiko, eine in Wahrheit richtige H₀ fälschlich zu verwerfen (Fehler 1. Art).

Und jetzt das berühmte „≠ Kausalität“ an einem Beispiel: Über ein Jahr betrachtet korrelieren Eisverkauf und Zahl der Badeunfälle stark positiv. Heißt das, Eisessen verursacht Ertrinken? 😄 Natürlich nicht – dahinter steckt eine Störvariable (Confounder): die Hitze im Sommer. Bei heißem Wetter kaufen Leute mehr Eis und gehen mehr baden.

Genau das ist der Punkt: Eine hohe Korrelation kann drei Ursachen haben – A verursacht B, B verursacht A, oder ein Drittes C verursacht beide (oder es ist reiner Zufall = Scheinkorrelation). Welcher Fall vorliegt, sagt dir die Zahl allein nie. Um Kausalität zu zeigen, brauchst du ein kontrolliertes Experiment oder zumindest eine saubere Kontrolle der Störvariablen.

Ergänzend ein Bild, das mir geholfen hat: Stell dir zwei Klassen mit demselben Notendurchschnitt 3,0 vor. In der einen liegen alle zwischen 2 und 4, in der anderen gibt es viele 1er und viele 5er. Gleicher Mittelwert – aber die zweite Klasse streut stärker. Genau das misst die Standardabweichung: wie weit die Werte im Schnitt um den Mittelwert herumliegen.

Bei annähernd normalverteilten Daten gibt es noch die Faustregel: rund 68 % der Werte liegen innerhalb einer Standardabweichung um den Mittelwert, ca. 95 % innerhalb von zweien. Das macht sie zu einem super Maß, um Ausreißer einzuordnen.

Marcos Schema ist Gold. Was mir das endgültig fest gemacht hat, sind zwei Alltagsbeispiele, an denen man die Reihenfolge-Frage sofort fühlt:

• Lottozahlen (6 aus 49): Die Reihenfolge ist egal – 3, 17, 42 ist dasselbe wie 42, 3, 17. → Kombination.
• Zahlenschloss / PIN: Hier ist die Reihenfolge entscheidend – 1-2-3 öffnet nicht dasselbe wie 3-2-1. → Variation (und weil sich Ziffern wiederholen dürfen, mit Wiederholung: 10^4 Möglichkeiten bei 4 Stellen).

Merksatz, den ich mir gemacht habe: „Schloss = Reihenfolge, Lotto = egal.“ Damit triffst du die erste Weiche fast immer richtig. 🙂

Marcos Weg ist genau richtig. Zur Sicherheit lohnt sich immer die Gegenprobe: 5000 · 1,0518^8 ≈ 7500 ✓. Wenn das wieder herauskommt, hast du dich beim Wurzelziehen nicht vertan.

Und als Merker fürs Gefühl: Das ist nichts anderes als die durchschnittliche Wachstumsrate (geometrisches Mittel der Wachstumsfaktoren). Dieselbe Formel brauchst du später z. B. für durchschnittliche Renditen oder Umsatzwachstum über mehrere Jahre – einmal verstanden, überall anwendbar.

Springe als Wirtschaftsingenieur mal mit einem Praxisbeispiel ein, das die Faustregel von oben festigt: Bei Verfügbarkeiten oder Wirkungsgraden, die in Reihe geschaltet sind, nimmt man ebenfalls das geometrische Mittel. Wenn drei Anlagenstufen je 90 %, 80 % und 95 % Verfügbarkeit haben, ist die Gesamtverfügbarkeit 0,9·0,8·0,95 – und der „durchschnittliche“ Stufenwert ist die dritte Wurzel daraus, nicht (90+80+95)/3. Immer dann, wenn sich Werte multiplikativ verketten, ist das geometrische Mittel das ehrliche Mittel. 🙂

Was mir das Ganze greifbar gemacht hat: Stell dir 100 Kommilitonen vor, die alle unabhängig eine Stichprobe ziehen und jeweils ihr 95 %-Intervall berechnen. Dann liegen im Schnitt rund 95 dieser 100 Intervalle richtig (überdecken den wahren Wert), etwa 5 daneben. Du selbst hast aber nur ein Intervall – und weißt nicht, ob deins zu den 95 oder den 5 gehört. Deshalb die vorsichtige Formulierung.

Ja, das ist eine zentrale Regel der EPK: Sie ist bipartit, das heißt Ereignisse und Funktionen wechseln sich entlang des Kontrollflusses immer ab. Auf eine Funktion folgt ein Ereignis, auf ein Ereignis eine Funktion – nie zwei gleiche Elemente direkt hintereinander.

Denk an die Bedeutung: Ein Ereignis beschreibt einen Zustand ('Bestellung eingegangen'), eine Funktion eine Tätigkeit ('Bestellung prüfen'). Zwei Funktionen hintereinander ergeben logisch keinen Sinn, weil dazwischen ja ein Zustand erreicht wird. Bei dir fehlt also ein Ereignis zwischen deinen beiden Funktionen.

Kleiner Merksatz, der mir im Studium geholfen hat: In der 3. NF gilt 'jedes Nichtschlüsselattribut hängt vom Schlüssel, vom ganzen Schlüssel und von nichts als dem Schlüssel ab'. Dein KundenOrt hängt eben nicht vom Schlüssel, sondern vom Kunden ab – das ist der Knackpunkt.

Schöne Herleitung von Lisa. Wenn du noch die Güte beurteilen sollst, berechne das Bestimmtheitsmaß R² über den Korrelationskoeffizienten r.

1. r = Σ(xi − x̄)(yi − ȳ) / √(Σ(xi − x̄)² · Σ(yi − ȳ)²)
2. Σ(yi − ȳ)² = 2,8²+1,8²+0,2²+1,2²+3,2² = 7,84+3,24+0,04+1,44+10,24 = 22,8
3. r = 15 / √(10 · 22,8) = 15 / √228 = 15 / 15,1 ≈ 0,993
4. R² = r² ≈ 0,986

Das heißt rund 98,6 % der Streuung des Umsatzes werden durch die Werbeausgaben erklärt – ein sehr starker linearer Zusammenhang.

Nein, das ist genau der Kern des Konzepts und ökonomisch völlig korrekt. Opportunitätskosten sind der entgangene Nutzen der besten nicht gewählten Alternative. Wenn deine beste Alternative zum Studium der Job mit Gehalt X gewesen wäre, dann ist dieses entgangene X ein echter Teil der Studienkosten.

Der Trick ist, zwischen zwei Kostenarten zu trennen:

• Explizite Kosten: tatsächliche Auszahlungen (Gebühren, Bücher).
• Implizite Kosten: entgangene Erträge ohne Geldfluss (das nicht verdiente Gehalt).

Die ökonomischen Gesamtkosten sind die Summe aus beidem.

Noch ein Rechen-Hinweis, an dem viele scheitern: bei größeren Preissprüngen solltest du die Mittelpunktmethode (Bogenelastizität) nutzen, also durch den Durchschnitt von Anfangs- und Endwert teilen. Sonst bekommst du je nach Richtung der Änderung zwei verschiedene Elastizitäten heraus. Bei infinitesimal kleinen Änderungen nimmst du die Punktelastizität mit der Ableitung dQ/dP * P/Q.