4. Kumulierte Häufigkeiten und Quantile

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "4. Kumulierte Häufigkeiten und Quantile"

Transkript

1 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung: Wie groß ist der Anteil aller Merkmalsträger mit einem Merkmalswert größer (bzw. kleiner) als ein bestimmter Wert x? Hierzu summiert man die Häufigkeitstabelle schrittweise auf. Hinweis: Sinnvolle Kumulation erfordert, dass das Merkmal zumindest ordinal skaliert ist! Statistik für SoziologInnen 1 4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 2 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten (klassierte Daten) Bereich n i h i N i H i Kumulierte Häufigkeiten (klassierte Daten) Bereich ni hi Ni Hi Statistik für SoziologInnen 3 4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 4 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Die absoluten kumulierten relativen Häufigkeiten geben an, wie viele Beobachtungen einen bestimmten Wert x nicht übertreffen. N(X x) z.b. 56 Studenten sind kleiner gleich 175 cm Die entsprechenden relativen kumulierten Häufigkeiten bezeichnen wir mit H(X x)=n(x x)/n z.b. 76% der Studenten sind kleiner gleich 180 cm Sie geben uns den Anteil der Beobachtungen mit einem Wert kleiner gleich x an. Die empirische Verteilungsfunktion F(x) ist definiert durch F(x)= H(X x) Kumulierte Häufigkeiten (Einzeldaten) rel. kumul. Rel. rel. kumul. Rel. Größe Häufigkeit Häufigkeit Häufigkeit Größe Häufigkeit Häufigkeit Häufigkeit ,00 0, , ,05 0, ,00 0, ,03 0, ,00 0, ,03 0, ,01 0, ,05 0, ,01 0, ,01 0, ,01 0, ,04 0, ,00 0, ,02 0, ,01 0, ,02 0, ,00 0, ,02 0, ,00 0, ,02 0, ,03 0, ,04 0, ,01 0, ,03 0, ,02 0, ,00 0, ,01 0, ,01 0, ,03 0, ,00 0, ,03 0, ,00 0, ,04 0, ,00 0, ,03 0, ,00 0, ,02 0, ,01 0, ,02 0, ,01 0, ,05 0, ,01 1, ,03 0, ,00 1, ,04 0, ,00 1, ,07 0, ,00 1, ,05 0, ,04 0,56 Kumulierte relative Häufigkeiten ~ Empirische Verteilungsfunktion Statistik für SoziologInnen 5 4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 6 4. Kumulierte Häufigkeiten und Quantile 1

2 Empirische Verteilungsfunktion Empirische Verteilungsfunktion (Leseprobe) 1,00 0, ,40 0,20 0,00 Graphische Darstellung ~ Treppenfunktion % < Statistik für SoziologInnen 7 4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 8 4. Kumulierte Häufigkeiten und Quantile Eigenschaften der empirischen Verteilungsfunktion Treppenfunktion Bei jedem beobachteten Wert findet sich ein vertikaler Anstieg Die Höhe des Anstiegs beim Wert x i ist n(x=x i )/n = h(x i ) gleich der relativen Häufigkeit dieses Wertes Hohe Sprünge ~ häufiger Wert Steiler Verlauf ~ hohe Wertedichte Unterschiedliche Sprunghöhen 1,00 0,80 0,40 0,20 h(x=174)=0.05 h(x=163)= , Statistik für SoziologInnen 9 4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Eigenschaften der emp. Verteilungsfunktion Treppenfunktion Bei jedem beobachteten Wert findet sich ein vertikaler Anstieg Die Höhe des Anstiegs beim Wert x i ist n(x=x i )/n = h(x i ) Hohe Sprünge ~ häufiger Wert Steiler Verlauf ~ hohe Wertedichte Treten in einem Wertebereich keine Werte auf, so verläuft die empirische Verteilungsfunktion in diesem Bereich horizontal Empirische Verteilungsfunktion keine Werte 158 bzw Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile kg 2

3 Eigenschaften der emp. Verteilungsfunktion Treppenfunktion Bei jedem beobachteten Wert findet sich ein vertikaler Anstieg Die Höhe des Anstiegs beim Wert x i ist n(x=x i )/n = h(x i ) Hohe Sprünge ~ häufiger Wert Steiler Verlauf ~ hohe Wertedichte Treten in einem Wertebereich keine Werte auf, so verläuft die emp. Verteilungsfunktion in diesem Bereich horizontal Die emp. Verteilungsfunktion ist monoton steigend Die Funktionswerte liegen zwischen 0 und 1 Kumulierte Häufigkeiten (klassierte Daten) Bereich n i h i N i H i Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Verteilungsfunktion bei klassierten Daten 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 H(175)=0,56 H(170)=0,33 Klassenobergrenze Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Verteilungsfunktion bei klassierten Daten Bei klassierten Daten können exakte Werte nur an den oberen Klassengrenzen bestimmt werden Ein näherungsweise Bestimmung der Werte der Verteilungsfunktion kann unter der Annahme der Gleichverteilung innerhalb der Klassen, mittels linearer Interpolation erfolgen In der Graphik bedeutet dies, dass wir die Punkte durch Geradenstücke zu einer durchgezogenen Linie verbinden Die Steigung dieser Geradenstücke entspricht der Dichte in der Klasse Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Summenkurve 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 H(175)=0,56 H(170)=0,33 Verteilungsfunktion bei klassierten Daten (Beispiel) Aus der Tabelle könne wir folgende Informationen ablesen 56% der Studenten sind kleiner gleich 175 cm 33% der Studenten sind kleiner gleich 170 cm Frage: Wieviel % der Studenten sind kleiner gleich 172 cm? Exakte Antwort aus klassierten Daten nicht mehr möglich Näherungsweise Lösung: Lineare Interpolation 0, Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile 3

4 Interpolation Anwendung des Strahlensatzes Funktionswerte der Summenkurve an der Stelle x: F(x)=+y y : (-) = (x- ) : (o i - ) h i = - x x b i = (o i - ) Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Anwendung des Strahlensatzes y : (-) = (x- ) : (o i - ) y : h i = (x- ) : b i F(x) = + (x- )/ b i *h i x h i = - Beispiel F(x) = + (x- )/ b i *h i F(172) = 0,33 + 2/5*0,23 = 0,33+0,092=0,422 =0,33 x=172 =0,56 h i = - =0,23 b i = (o i - ) b i = (o i - ) =5 =170 o i =175 Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Empirische Verteilungsfunktion bei diskreten Merkmalen Beispiel: "Produktives Denken" i x i h i H(X x i ) 1 0 0,00 0, ,00 0, ,00 0, ,06 0, ,10 0, ,32 0, ,24 0, ,23 0, ,05 0, ,01 1,00 Gesamt 1 Empirische Verteilungsfunktion "Produktives Denken" 1,000 0, ,400 0,200 Beachte: Bei diskreten Merkmalen ist eine Interpolation nicht zulässig! 72% aller Testteilnehmer haben einen Wert kleiner gleich 7 erzielt 0, Hier gibt nur die Treppenkurve ein korrektes Bild der Verteilung Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile 4

5 Empirische Quantile Ausgehend von einem Anteilswert p (y-achse) wird der zugehörige Wert bestimmt, für den F(x) zum erstenmal größer als oder zumindest gleich groß wie p ist. Das bedeutet ein p-quantil ist jener möglichst kleine Merkmalswert für den gerade noch gilt, dass p-prozent der Beobachtungen kleiner gleich als eben dieser Merkmalswert sind. 0 < p < 1 Datensatz: x 1,..., x n Das Empirische p-quantil x p ist der kleinste Wert x für den F(x) p gilt. Seien x (1),... x (n) die geordneten Werte: x p =x (k),, wobei k wie folgt gegeben ist: (k-1)/n < p k/n Beispiele zu empirischen Quantilen Gesucht ist ein Wert, so dass 95% der Studenten kleiner gleich diesem Wert sind Datensatz Körpergröße n=100 x 0,95 =? (k-1)/n < p k/n (k-1) < np k (k-1) < 95 k ==> k=95 x 0,95 = 188 Datensatz produktives Denken n=120 x 0, 50 =? (k-1) < 60 k ==> k=60 x 0,50 = 7 Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Bestimmung des Quantils 1,00 Wichtige Quantile Einige wichtige Quantile, die häufig kommuniziert werden tragen einen eigenen Namen: 0,80 Terzile x 0,33 x 0,66 F(X=188)=0,96 Quartile x 0,25 x 0,5 x 0,75 Dezile x 0,1... x 0,9 0,40 0,20 0, Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Empirische Quantile Beispiel: Körpergröße (Originalwerte) 1.Quartil = x Quartil = x 0.50 Empirische Quantile bei klassierten Daten Bei klassierten Daten ergibt sich das p-quantil durch Interpolation Ausgangspunkt ist jene Klasse, in der die kumulierten Häufigkeiten den p-wert übersteigen 3.Quartil 3Quat = x Five Numbers Summary Min. 1st Qu. 2nd Qu. 3rd Qu. Max x (1) x (25) x (50) x (75) x (100) Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile 5

6 Bestimmung des 0,5 Quantils Bereich n i h i N i H i Empirische Quantile bei klassierten Daten y : b i = (p-) : h i x p = + (p-)/ h i *b i p y b i = (o i - ) h i = - Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Empirische Quantile bei klassierten Daten y : 5= (0,5-0,33): 0,23 =0,56 X 0,5 = ,17/0,23*5=173,7 h i = - =0,23 p=0 0,5 =0,33 y b i = ( ) = Box-Plots Basierend auf den 5 zusammenfassenden Werten einer Verteilung: Minimum, 1.Quartil, 2.Quartil, 3.Quartil und Maximum lassen sich instruktive Graphiken zur Darstellung einer Verteilung entwickeln, die insbesondere zum Vergleich mehrerer Gruppen gut geeignet sind. Häufig werden die horizontal begrenzenden Linien nicht bis zum Minimum und Maximum der Daten gezogen. Die Balkenlänge wird mit der 1,5-fachen Boxhöhe begrenzt und extreme Datenwerte werden extra markiert. Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Boxplot Maximum Boxplot Maximum bzw. Obergrenze Oberes Quartil Mittleres Quartil maximal 1,5-fache Boxlänge 75% Quantil Median 25% Quantil Unteres Quartil Minimum Minimum bzw. Untergrenze Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile 6

7 Beispiel einer rechtsschiefen Verteilung Beispiel einer linksschiefen Verteilung x.r x.l Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Vergleich zweier Verteilungen Vergleich zweier Verteilungen Insbesondere beim Vergleich von Verteilungen ist der Boxplot oft übersichtlicher als das Histogramm Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Body Mass Index (BMI) distributions - SABOR participants African-American Caucasian, Non-Hispanic Body Mass Index (BMI) distributions SABOR participants Fre equency Hispanic Other BMI Graphs by RaceEthDesc Histogramm BMI African-American Caucasian, Non-Hispanic Hispanic Box-Plots Other Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen Kumulierte Häufigkeiten und Quantile 7

Verteilungsfunktion und dquantile

Verteilungsfunktion und dquantile Statistik 1 für SoziologInnen Verteilungsfunktion und dquantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit die Kumulation inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal

Mehr

Beispiel 2 (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter)

Beispiel 2 (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter) Beispiel (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter) 1 Ein Statistiker ist zu früh zu einer Verabredung gekommen und vertreibt sich nun die Zeit damit, daß er die Anzahl X der Stockwerke

Mehr

Wahrscheinlichkeits - rechnung und Statistik

Wahrscheinlichkeits - rechnung und Statistik Michael Sachs Mathematik-Studienhilfen Wahrscheinlichkeits - rechnung und Statistik für Ingenieurstudenten an Fachhochschulen 4., aktualisierte Auflage 2.2 Eindimensionale Häufigkeitsverteilungen 19 absolute

Mehr

Kapitel 1 Beschreibende Statistik

Kapitel 1 Beschreibende Statistik Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)

Mehr

Bestimmen von Quantilen

Bestimmen von Quantilen Workshop im Rahmen der VIV-Begabtenförderung Bestimmen von Quantilen Wie Rückwärtsdenken in der Stochastik hilft Leitung: Tobias Wiernicki-Krips Samstag, 10. Januar 2015 1 / 29 Motivation Wie bestimmt

Mehr

4. Auswertung eindimensionaler Daten

4. Auswertung eindimensionaler Daten 4. Auswertung eindimensionaler Daten Ziel dieses Kapitels: Präsentation von Methoden zur statistischen Auswertung eines einzelnen Merkmals 64 Bezeichnungen (Wiederholung): Merkmalsträger: e 1,..., e n

Mehr

Kapitel 2. Häufigkeitsverteilungen

Kapitel 2. Häufigkeitsverteilungen 6 Kapitel 2 Häufigkeitsverteilungen Ziel: Darstellung bzw Beschreibung (Exploration) einer Variablen Ausgangssituation: An n Einheiten ω,, ω n sei das Merkmal X beobachtet worden x = X(ω ),, x n = X(ω

Mehr

3. Deskriptive Statistik

3. Deskriptive Statistik 3. Deskriptive Statistik Eindimensionale (univariate) Daten: Pro Objekt wird ein Merkmal durch Messung / Befragung/ Beobachtung erhoben. Resultat ist jeweils ein Wert (Merkmalsausprägung) x i : - Gewicht

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Häufigkeiten und ihre Verteilung, oder: Zusammenfassende Darstellungen einzelner Variablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen

Mehr

WISTA WIRTSCHAFTSSTATISTIK

WISTA WIRTSCHAFTSSTATISTIK WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 23042013 Datenlagen und Darstellung eindimensionaler Häufigkeitsverteilungen

Mehr

Dr. Reinhard Vonthein, Dipl. Statistiker (Univ.)

Dr. Reinhard Vonthein, Dipl. Statistiker (Univ.) Dr. Reinhard Vonthein, Dipl. Statistiker (Univ.) Reinhard.Vonthein@imbs.uni-luebeck.de Institut für Medizinische Biometrie und Statistik Universität zu Lübeck / Universitätsklinikums Schleswig-Holstein

Mehr

2. Eindimensionale (univariate) Datenanalyse

2. Eindimensionale (univariate) Datenanalyse 2. Eindimensionale (univariate) Datenanalyse Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Kennzahlen, Statistiken In der Regel interessieren uns nicht so sehr die beobachteten Einzeldaten

Mehr

N 1 0 50 0.5 50 0.5 2 1 20 0.2 70 0.7 3 2 15 0.15 85 0.85 4 3 10 0.1 95 0.95 5 4+ 5 0.05 100 1-100 1.00 - -

N 1 0 50 0.5 50 0.5 2 1 20 0.2 70 0.7 3 2 15 0.15 85 0.85 4 3 10 0.1 95 0.95 5 4+ 5 0.05 100 1-100 1.00 - - 2 Deskriptive Statistik 1 Kapitel 2: Deskriptive Statistik A: Beispiele Beispiel 1: Im Rahmen einer Totalerhebung der Familien eines Dorfes (N = 100) wurde u.a. das diskrete Merkmal Kinderanzahl (X) registriert.

Mehr

Univariate Häufigkeitsverteilungen Kühnel, Krebs 2001: Statistik für die Sozialwissenschaften, S.41-66

Univariate Häufigkeitsverteilungen Kühnel, Krebs 2001: Statistik für die Sozialwissenschaften, S.41-66 Univariate Häufigkeitsverteilungen Kühnel, Krebs 2001: Statistik für die Sozialwissenschaften, S.41-66 Gabriele Doblhammer: Empirische Sozialforschung Teil II, SS 2004 1/19 Skalenniveaus Skalenniveau Relation

Mehr

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind: Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die

Mehr

Fachrechnen für Tierpfleger

Fachrechnen für Tierpfleger Z.B.: Fachrechnen für Tierpfleger A10. Statistik 10.1 Allgemeines Was ist Statistik? 1. Daten sammeln: Durch Umfragen, Zählung, Messung,... 2. Daten präsentieren: Tabellen, Grafiken 3. Daten beschreiben/charakterisieren:

Mehr

Mathematische und statistische Methoden I

Mathematische und statistische Methoden I Prof. Dr. G. Meinhardt Methodenlehre Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Dr. Malte Persike persike@uni-mainz.de

Mehr

a 1 < a 2 <... < a k. 2 Häufigkeitsverteilungen 52

a 1 < a 2 <... < a k. 2 Häufigkeitsverteilungen 52 2 Häufigkeitsverteilungen 2.0 Grundbegriffe Ziel: Darstellung bzw. Beschreibung (Exploration) einer Variablen. Ausgangssituation: An n Einheiten ω 1,..., ω n sei das Merkmal X beobachtet worden. x 1 =

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Herzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung

Herzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik smaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer

Mehr

3 Häufigkeitsverteilungen

3 Häufigkeitsverteilungen 3 Häufigkeitsverteilungen 3.1 Absolute und relative Häufigkeiten 3.2 Klassierung von Daten 3.3 Verteilungsverläufe 3.1 Absolute und relative Häufigkeiten Datenaggregation: Bildung von Häufigkeiten X nominal

Mehr

Verteilungen und ihre Darstellungen

Verteilungen und ihre Darstellungen Verteilungen und ihre Darstellungen Übung: Stamm-Blatt-Diagramme Wie sind die gekennzeichneten Beobachtungswerte eweils zu lesen? Tragen Sie in beiden Diagrammen den Wert 0.452 an der richtigen Stelle

Mehr

Lösung Aufgabe 19. ( ) = [Mio Euro]. Empirische Varianz s 2 = 1 n

Lösung Aufgabe 19. ( ) = [Mio Euro]. Empirische Varianz s 2 = 1 n Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 4 Gerhard Tutz, Jan Ulbricht, Jan Gertheiss WS 07/08 Lösung Aufgabe 9 (a) Lage und Streuung: Arithmetisches Mittel x = n i=

Mehr

Tabellarische und graphie Darstellung von univariaten Daten

Tabellarische und graphie Darstellung von univariaten Daten Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Maßzahlen für zentrale Tendenz, Streuung und andere Eigenschaften von Verteilungen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische

Mehr

Statistik I für Betriebswirte Vorlesung 2

Statistik I für Betriebswirte Vorlesung 2 Statistik I für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 16. April 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 2 1 ii) empirische

Mehr

Beide Verteilungen der Zeiten sind leicht schief. Der Quartilsabstand für Zeiten zum Surfen ist kleiner als der zum Fernsehen.

Beide Verteilungen der Zeiten sind leicht schief. Der Quartilsabstand für Zeiten zum Surfen ist kleiner als der zum Fernsehen. Welche der folgenden Maßzahlen sind resistent gegenüber Ausreißer? Der Mittelwert und die Standardabweichung. Der und die Standardabweichung. Der und die Spannweite. Der und der Quartilsabstand. Die Spannweite

Mehr

WISTA WIRTSCHAFTSSTATISTIK

WISTA WIRTSCHAFTSSTATISTIK WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 07052013 Mittelwerte und Lagemaße II 1 Anwendung und Berechnung

Mehr

Kapitel 3: Eindimensionale Häufigkeitsverteilungen

Kapitel 3: Eindimensionale Häufigkeitsverteilungen Kapitel 3: Eindimensionale Häufigkeitsverteilungen. Unklassierte Daten...29 a) Häufigkeitsverteilung...29 b) Tabellen und Graphiken...3 c) Summenhäufigkeiten...34 2. Klassierte Daten...38 a) Größenklassen...38

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 26.02.2008 1 Warum Statistik und Wahrscheinlichkeits rechnung im Ingenieurwesen? Zusammenfassung der letzten Vorlesung Statistik und Wahrscheinlichkeitsrechnung

Mehr

Deskriptive Statistik 1 behaftet.

Deskriptive Statistik 1 behaftet. Die Statistik beschäftigt sich mit Massenerscheinungen, bei denen die dahinterstehenden Einzelereignisse meist zufällig sind. Statistik benutzt die Methoden der Wahrscheinlichkeitsrechnung. Fundamentalregeln:

Mehr

Statistik 1 für SoziologInnen. Univariate Häufigkeitstabellen Tabellarische und graphische Aufbereitung von Daten

Statistik 1 für SoziologInnen. Univariate Häufigkeitstabellen Tabellarische und graphische Aufbereitung von Daten Statistik 1 für SoziologInnen Univariate Häufigkeitstabellen Tabellarische und graphische Aufbereitung von Daten Univ.Prof. Dr. Marcus Hudec Absolute Häufigkeiten diskreter Merkmale X sei ein diskretes

Mehr

Kapitel 2. Univariate Analyse. 2.1 Darstellung univariater Datensätze Darstellung qualitativer Merkmale

Kapitel 2. Univariate Analyse. 2.1 Darstellung univariater Datensätze Darstellung qualitativer Merkmale Kapitel 2 Univariate Analyse Wir wollen nun Strukturen in Datensätzen finden. Dabei betrachten wir zunächst jeweils nur ein Merkmal. Man spricht auch von univariater Datenanalyse. Jede Analyse beginnt

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es

Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es beim radioaktiven Zerfall, zwischen 100 und 110 Zerfälle

Mehr

Deskriptive Statistik Lösungen zu Blatt 1 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 1

Deskriptive Statistik Lösungen zu Blatt 1 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 1 1 Deskriptive Statistik Lösungen zu Blatt 1 Christian Heumann, Susanne Konrath SS 2011 Lösung Aufgabe 1 (a) Es sollen die mathematischen Vorkenntnisse der Studenten, die die Vorlesung Statistik I für Statistiker,

Mehr

Lagemaße Übung. Zentrale Methodenlehre, Europa Universität - Flensburg

Lagemaße Übung. Zentrale Methodenlehre, Europa Universität - Flensburg Lagemaße Übung M O D U S, M E D I A N, M I T T E L W E R T, M O D A L K L A S S E, M E D I A N, K L A S S E, I N T E R P O L A T I O N D E R M E D I A N, K L A S S E M I T T E Zentrale Methodenlehre, Europa

Mehr

Statistik - Übungsaufgaben

Statistik - Übungsaufgaben Statistik - Übungsaufgaben 1) Eine vor mehreren Jahren durchgeführte Befragung von 30 Arbeitern eines Großbetriebes ergab für die Stundenlöhne folgende Liste: 16,35 16,80 15,75 16,95 16,20 17,10 16,64

Mehr

Datenanalyse und Statistik

Datenanalyse und Statistik Datenanalyse und Statistik p. 1/44 Datenanalyse und Statistik Vorlesung 2 (Graphik I) K.Gerald van den Boogaart http://www.stat.boogaart.de Datenanalyse und Statistik p. 2/44 Daten Schätzung Test Mathe

Mehr

Kapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen

Kapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population

Mehr

Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße. x mod (lies: x-mod) Wofür? Lageparameter. Modus/ Modalwert Zentrum. Median Zentralwert

Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße. x mod (lies: x-mod) Wofür? Lageparameter. Modus/ Modalwert Zentrum. Median Zentralwert Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße Wofür? Lageparameter Modus/ Modalwert Zentrum Median Zentralwert Im Datensatz stehende Informationen auf wenige Kenngrößen verdichten ermöglicht

Mehr

Statistik eindimensionaler Größen

Statistik eindimensionaler Größen Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,

Mehr

Beschreibende Statistik Eindimensionale Daten

Beschreibende Statistik Eindimensionale Daten Mathematik II für Biologen 16. April 2015 Prolog Geordnete Stichprobe Rang Maße für die mittlere Lage der Daten Robustheit Quantile Maße für die Streuung der Daten Erkennung potentieller Eindimensionales

Mehr

Analyse klassierter Daten: Vor der Analyse fasst man jeweils mehrere Merkmalsausprägungen in (Merkmalswerte-)Klassen zusammen.

Analyse klassierter Daten: Vor der Analyse fasst man jeweils mehrere Merkmalsausprägungen in (Merkmalswerte-)Klassen zusammen. 4. Analyse univariater Daten: Übersicht Mathematik ist die Wissenschaft der reinen Zahl, Statistik die der empirischen Zahl Von univariaten Daten spricht man, wenn bei der Datenerhebung nur ein Merkmal

Mehr

1 Verteilungen und ihre Darstellung

1 Verteilungen und ihre Darstellung GKC Statistische Grundlagen für die Korpuslinguistik Kapitel 2: Univariate Deskription von Daten 8.11.2004 Univariate (= eindimensionale) Daten bestehen aus Beobachtungen eines einzelnen Merkmals. 1 Verteilungen

Mehr

2. Mathematik-Schularbeit für die 6. Klasse Autor: Gottfried Gurtner

2. Mathematik-Schularbeit für die 6. Klasse Autor: Gottfried Gurtner 2. Mathematik-Schularbeit für die 6. Klasse Autor: Gottfried Gurtner Arbeitszeit: 100 Minuten Lernstoff: Mathematische Grundkompetenzen: AG2.1, AG2.2, AG2.3 FA1.1, FA1.5, FA1.6, FA1.7, FA1.9 FA2.1, FA2.2,

Mehr

Methoden der Datenanalyse

Methoden der Datenanalyse Methoden der Datenanalyse Andreas Handl Torben Kuhlenkasper 8. Januar 2016 1 Grundlage des vorliegenden Skripts sind Aufzeichnungen von Andreas Handl, die er bis zum Jahr 2007 an der Universität Bielefeld

Mehr

Anwendung A_0801_Quantile_Minimum_Maximum

Anwendung A_0801_Quantile_Minimum_Maximum 8. Lageparameter 63 8.3 Interaktive EXCEL-Anwendungen (CD-ROM) Anwendung A_080_Quantile_Minimum_Maimum Die Anwendung besteht aus einem Tabellenblatt Simulation : In der Simulation wird aus einer Urliste

Mehr

8. Statistik Beispiel Noten. Informationsbestände analysieren Statistik

8. Statistik Beispiel Noten. Informationsbestände analysieren Statistik Informationsbestände analysieren Statistik 8. Statistik Nebst der Darstellung von Datenreihen bildet die Statistik eine weitere Domäne für die Auswertung von Datenbestände. Sie ist ein Fachgebiet der Mathematik

Mehr

P (X = 2) = 1/36, P (X = 3) = 2/36,...

P (X = 2) = 1/36, P (X = 3) = 2/36,... 2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel

Mehr

Lineare Funktionen y = m x + n Sekundarstufe I u. II Funktion ist monoton fallend, verläuft vom II. in den IV.

Lineare Funktionen y = m x + n Sekundarstufe I u. II Funktion ist monoton fallend, verläuft vom II. in den IV. LINEARE FUNKTIONEN heißt Anstieg oder Steigung heißt y-achsenabschnitt Graphen linearer Funktionen sind stets Geraden Konstante Funktionen Spezialfall Graphen sind waagerechte Geraden (parallel zur x-achse)

Mehr

4 Statistische Maßzahlen

4 Statistische Maßzahlen 4 Statistische Maßzahlen 4.1 Maßzahlen der mittleren Lage 4.2 Weitere Maßzahlen der Lage 4.3 Maßzahlen der Streuung 4.4 Lineare Transformationen, Schiefemaße 4.5 Der Box Plot Ziel: Charakterisierung einer

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig) ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels

Mehr

3 Lage- und Streuungsmaße

3 Lage- und Streuungsmaße 3 Lage- und Streuungsmaße Grafische Darstellungen geben einen allgemeinen Eindruck der Verteilung eines Merkmals, u.a. von Lage und Zentrum der Daten, Streuung der Daten um dieses Zentrum, Schiefe / Symmetrie

Mehr

Datenanalyse aus einer Urliste

Datenanalyse aus einer Urliste Datenanalyse aus einer Urliste Worum geht es in diesem Modul? Geordneter Datensatz und Extremwerte Empirische Verteilungsfunktion Bestimmung von Quantilen Spezielle Quantile Median und Angeln Fünf-Zahlen-Zusammenfassung

Mehr

Statistik I WS 2014/2015. Prof. Dr. Walter Krämer

Statistik I WS 2014/2015. Prof. Dr. Walter Krämer Statistik I WS 2014/2015 Prof. Dr. Walter Krämer Organisatorisches Dozenten: Vorlesung: Prof. Dr. Walter Krämer Übungen: Dipl.-Stat. Marianthi Neblik cand.stat. Eva-Maria Becker cand.stat. Nicole Dauzenroth

Mehr

Kai Schaal. Universität zu Köln

Kai Schaal. Universität zu Köln Deskriptive Statistik und Wirtschaftsstatistik Tutorium zur Anwendung von Statistik 1 in Excel Kai Schaal Universität zu Köln Organisatorisches und Einleitung (1) Was, wann, wo? Anwendung von Statistik

Mehr

Kapitel VI - Lage- und Streuungsparameter

Kapitel VI - Lage- und Streuungsparameter Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie

Mehr

STATISTIK I Übung 07 Box-Plots und Stem-and-Leaf-Diagramme. 1 Kurze Wiederholung. Warum nur zwei grafische Darstellungsformen?

STATISTIK I Übung 07 Box-Plots und Stem-and-Leaf-Diagramme. 1 Kurze Wiederholung. Warum nur zwei grafische Darstellungsformen? STATISTIK I Übung 07 Box-Plots und Stem-and-Leaf-Diagramme 1 Kurze Wiederholung Warum nur zwei grafische Darstellungsformen? Im Rahmen der Vorlesungen haben wir kurz eine ganze Reihe grafischer Darstellungsformen

Mehr

Einfache statistische Auswertungen mit dem TI-Nspire

Einfache statistische Auswertungen mit dem TI-Nspire 1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,

Mehr

1.8 Kolmogorov-Smirnov-Test auf Normalverteilung

1.8 Kolmogorov-Smirnov-Test auf Normalverteilung 1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen

Mehr

Deskriptive Statistik

Deskriptive Statistik Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche

Mehr

Fachhochschule Düsseldorf Wintersemester 2008/09

Fachhochschule Düsseldorf Wintersemester 2008/09 Fachhochschule Düsseldorf Wintersemester 2008/09 Teilfachprüfung Statistik im Studiengang Wirtschaft Prüfungsdatum: 26.01.2009 Prüfer: Prof. Dr. H. Peters, Diplom-Vw. Lothar Schmeink Prüfungsform: 2-stündige

Mehr

Skript zur Vorlesung Statistik

Skript zur Vorlesung Statistik Skript zur Vorlesung Statistik Dietrich Baumgarten 9. April 2009 Inhaltsverzeichnis 1 Grundlagen 7 1.1 Die zwei Begriffe der Statistik........................ 7 1.2 Gliederung einer statistischen Erhebung..................

Mehr

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt

Mehr

WISTA WIRTSCHAFTSSTATISTIK

WISTA WIRTSCHAFTSSTATISTIK WISTA WIRTSCHAFTSSTATISTIK PROF. DR. ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 28.05.2013 Konzentrationsmaße 1. Konzentrationsbegriff

Mehr

Inhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Seite 1 von 10 Prof. Dr. Karin Melzer, Prof. Dr. Gabriele Gühring, Fakultät Grundlagen

Inhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Seite 1 von 10 Prof. Dr. Karin Melzer, Prof. Dr. Gabriele Gühring, Fakultät Grundlagen Inhaltsverzeichnis: 1. Übungsaufgaben zu Kapitel 2 und 3... 2 Aufgabe 1... 2 Aufgabe 2... 2 Aufgabe 3... 2 Aufgabe 4... 2 Aufgabe 5... 3 Aufgabe 6... 3 Aufgabe 7... 4 Aufgabe 8... 4 Aufgabe 9... 4 Aufgabe

Mehr

Deskriptive Statistik

Deskriptive Statistik Deskriptive Statistik In der beschreibenden Statistik werden Methoden behandelt, mit deren Hilfe man Daten übersichtlich darstellen und kennzeichnen kann. Die Urliste (=Daten in der Reihenfolge ihrer Erhebung)

Mehr

825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden?

825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden? 1. Aufgabe: Eine Bank will die jährliche Sparleistung eines bestimmten Kundenkreises untersuchen. Eine Stichprobe von 12 Kunden ergab folgende Werte: 825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170

Mehr

Vorlesung Grundlagen der Biometrie WS 2011/12 1. Grundbegriffe

Vorlesung Grundlagen der Biometrie WS 2011/12 1. Grundbegriffe Vorlesung Grundlagen der Biometrie WS 2011/12 1. Grundbegriffe Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 1. Grundbegriffe der beschreibenden Statistik Statistische Einheiten, Grundgesamtheit

Mehr

Musterlösung zur Aufgabensammlung Statistik I Teil 3

Musterlösung zur Aufgabensammlung Statistik I Teil 3 Musterlösung zur Aufgabensammlung Statistik I Teil 3 2008, Malte Wissmann 1 Zusammenhang zwischen zwei Merkmalen Nominale, Ordinale Merkmale und Mischungen Aufgabe 12 a) x\ y 1.Klasse 2.Klasse 3.Klasse

Mehr

Mecklenburg - Vorpommern

Mecklenburg - Vorpommern Mecklenburg - Vorpommern Ersatzarbeit Realschulprüfung 1996 im Fach Mathematik Pflichtteil 1. Herr Berg kauft ein 672,0 m 2 großes unerschlossenes Baugrundstück zu einem Quadratmeterpreis von 56,00 DM.

Mehr

Beschreibung von Daten

Beschreibung von Daten Kapitel 1 Beschreibung von Daten 1.1 Beispiele zum Üben 1.1.1 Aufgaben Achtung: die Nummerierung ist nicht ident mit der im Buch; Bsp. 1-1 enspricht Bsp 2-20 im Buch, 1-2 2-21 im Buch usw. 1 1 In einem

Mehr

Statistik II. Statistische Tests. Statistik II

Statistik II. Statistische Tests. Statistik II Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen

Mehr

2 Statistische Maßzahlen

2 Statistische Maßzahlen 2 Statistische Maßzahlen Übersicht 2.1 Quantile, speziellmedian, QuartileundPerzentile... 25 2.2 Modus, Median, arithmetischesmittel... 28 2.3 Arithmetisches,geometrisches,harmonischesMittel... 31 2.4

Mehr

1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung?

1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung? 86 8. Lageparameter Leitfragen 1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung? 2) Was ist der Unterschied zwischen Parametern der Lage und der Streuung?

Mehr

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig

Mehr

Umkreis eines Dreiecks

Umkreis eines Dreiecks Umkreis eines Dreiecks Zeichne mit GeoGebra ein Dreieck mit den Eckpunkten A (-5-1), B (4-2), C (2 3) und konstruiere dessen Umkreis. Mit Werkzeugleiste 1 Konstruiere mit dem Werkzeug Vieleck das Dreieck

Mehr

Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec

Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch

Mehr

Das Histogramm, bzw. Stabdiagramm / Histogramm / Balkendiagramm

Das Histogramm, bzw. Stabdiagramm / Histogramm / Balkendiagramm Histogram / Histogramm / histogram Akademische Disziplin der Statistik/academic field of statistics/ la discipline statistique/estadística/disciplina academica della statistica deskriptive Statistik/descriptive

Mehr

3. Übung Deskription und Diagnose Wer oder was ist normal?

3. Übung Deskription und Diagnose Wer oder was ist normal? Querschnittsbereich 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik - Übungsmaterial - Erstellt von Mitarbeitern des IMISE und des ZKS Leipzig 3. Übung Deskription und Diagnose Wer

Mehr

Stochastik und Statistik

Stochastik und Statistik Stochastik und Statistik p. 1/44 Stochastik und Statistik Vorlesung 2 (Graphik I) K.Gerald van den Boogaart http://www.stat.boogaart.de Stochastik und Statistik p. 2/44 Daten Schätzung Test Mathe Die Datenminen

Mehr

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests

Mehr

Eine Einführung in R: Deskriptive Statistiken und Graphiken

Eine Einführung in R: Deskriptive Statistiken und Graphiken Eine Einführung in R: Deskriptive Statistiken und Graphiken Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 28. Oktober 2010 Bernd

Mehr

Mathematik für Biologen und Chemiker Prof. Scheltho - Übungen Mathe 2

Mathematik für Biologen und Chemiker Prof. Scheltho - Übungen Mathe 2 Mathematik für Biologen und Chemiker Prof. Scheltho - Übungen Mathe 2 Fortsetzung der komlexen Zahlen : 9. Radizieren und Potenzen a) Berechnen Sie (1+i) 20 und geben Sie das Resultat als Polarkoordinaten

Mehr

Thema: Mittelwert einer Häufigkeitsverteilung. Welche Informationen kann der Mittelwert geben?

Thema: Mittelwert einer Häufigkeitsverteilung. Welche Informationen kann der Mittelwert geben? Thema: Mittelwert einer Häufigkeitsverteilung Beispiel: Im Mittel werden deutsche Männer 75,1 Jahre alt; sie essen im Mittel pro Jahr 71 kg Kartoffel(-produkte) und trinken im Mittel pro Tag 0.35 l Bier.

Mehr

h i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert

h i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert Deskriptive Statistik dimesioale Date Date ud Häufigkeite Seite Nomial Ordial Metrisch (Kardial Metrisch klassiert Beschreibug: Date habe keie atürliche Reihefolge. Bsp: Farbe, Religio, Geschlecht, Natioalität...

Mehr

Übungsblatt zur 1. PC Übung - Handout

Übungsblatt zur 1. PC Übung - Handout Übungsblatt zur 1. PC Übung - Handout Aufgabe 1: Alle relativen Zellbezüge beziehen sich auf die vorgegebenen Excel-Dateien. Dabei ist zu beachten, dass bei einem Zellbezug für eine einzelne Zelle eines

Mehr

Ich wollte einige Dinge klären, die mir noch unklar sind:

Ich wollte einige Dinge klären, die mir noch unklar sind: Ich wollte einige Dinge klären, die mir noch unklar sind:. Unterschied Transformation/Kodierung: Kann man sagen, dass Transformation die Verwandlung von Merkmalen ist während die Kodierung die Verschlüsselung

Mehr

Analysis. A1 Funktionen/Funktionsklassen. 1 Grundbegriffe. 2 Grundfunktionen

Analysis. A1 Funktionen/Funktionsklassen. 1 Grundbegriffe. 2 Grundfunktionen A1 Funktionen/Funktionsklassen 1 Grundbegriffe Analysis A 1.1 Gegeben sei die Funktion f mit f(x) = 2 x 2 + x. a) Bestimme, wenn möglich, die Funktionswerte an den Stellen 0, 4 und 2. b) Gib die maximale

Mehr

Inhaltsverzeichnis. Teil I Einführung

Inhaltsverzeichnis. Teil I Einführung Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...

Mehr

1 x x2 3 mit D f = IR. Teilaufgabe 1.1 (5 BE) Berechnen Sie die Nullstellen der Funktion f und geben Sie das Symmetrieverhalten von G f.

1 x x2 3 mit D f = IR. Teilaufgabe 1.1 (5 BE) Berechnen Sie die Nullstellen der Funktion f und geben Sie das Symmetrieverhalten von G f. Abschlussprüfung Berufliche Oberschule 0 Mathematik Nichttechnik - A II - Lösung Teilaufgabe.0 Gegeben ist die reelle Funktion f( x) x x mit D f = IR. Teilaufgabe. (5 BE) Berechnen Sie die Nullstellen

Mehr

Prüfung aus Statistik 1 für SoziologInnen

Prüfung aus Statistik 1 für SoziologInnen Prüfung aus Statistik 1 für SoziologInnen 30. Juni 2007 Nachname: Vorname: Matrikelnummer: Studienkennzahl: Beispiel 1: (6 Punkte) Kreuze die richtige Antwort an: Das Verdoppeln der Merkmalswerte impliziert

Mehr

1 Grundprinzipien statistischer Schlußweisen

1 Grundprinzipien statistischer Schlußweisen Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation

Mehr

Übungsaufgaben zu Kapitel 2 und 3

Übungsaufgaben zu Kapitel 2 und 3 Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 2 und 3... 2 Aufgabe 1... 2 Aufgabe 2... 2 Aufgabe 3... 2 Aufgabe 4... 3 Aufgabe 5... 3 Aufgabe 6... 3 Aufgabe 7... 4 Aufgabe 8... 4 Aufgabe 9... 5 Aufgabe

Mehr

0, t 0,5

0, t 0,5 XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------

Mehr

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5 Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung

Mehr

Statistik. Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz. Der Weg zur Datenanalyse. Springer. Zweite, verbesserte Auflage

Statistik. Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz. Der Weg zur Datenanalyse. Springer. Zweite, verbesserte Auflage Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz Statistik Der Weg zur Datenanalyse Zweite, verbesserte Auflage Mit 165 Abbildungen und 34 Tabellen Springer Inhaltsverzeichnis Vorwort v 1 Einführung

Mehr