benötigt werden, wird es zu Exkursionen kommen. Falls ein Begriff neu oder fremd ist, bitte nachfragen.

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "benötigt werden, wird es zu Exkursionen kommen. Falls ein Begriff neu oder fremd ist, bitte nachfragen."

Transkript

1 Fehler- und Ausgleichsrechnung (basierend auf Abschnitt IV. von Papula; Bd.3 ) Da Begriffe und Formeln aus der Statistik Wahrscheinlichkeitslehre Kombinatorik Stochastik benötigt werden, wird es zu Exkursionen kommen. Falls ein Begriff neu oder fremd ist, bitte nachfragen. 1

2 Messfehler = Messungenauigkeit Es hat sich seit Jahrhunderten eingebürgert, nicht Ungenauigkeit, sondern Fehler zu sagen, nicht Messungenauigkeit, sondern Messfehler, nicht Ungenauigkeitstheorie, sondern Fehlertheorie. Mit dem Wort 'Fehler' verbindet man ja eigentlich Begriffe wie Irrtum, Versehen das ist aber nicht gemeint, wenn man vom Messfehler spricht (= Messungenauigkeit). Die Angabe des Messfehlers bedeutet nicht, etwas sei falsch gemacht worden; sie liefert vielmehr ein notwendiges Maß für die Genauigkeit und Zuverlässigkeit der Messung. ( Insbesondere hat die Fehlerrechnung nicht den Sinn, am Schreibtisch, d.h. ohne Wiederholung der Messung, "falsche" Messwerte zu "richtigen" zu machen. ) 2

3 In der DIN NORM 1319 (Teil 3) wird empfohlen, die Bezeichnung Fehler durch Messabweichung zu ersetzen. Fehlerrechnung Messabweichungsrechnung Fehlerfortpflanzung Messabweichungsfortpflanzung. 3

4 Fehler- und Ausgleichsrechnung Die wahren Werte und tatsächlichen Fehler Bei einer sich wiederholenden Messung einer Größe X erhält man Messwerte x i ( i = 1,., n ), die stets mit einem kleinen Fehler Δx versehen sind. Wenn wir den wahren Wert von x als x w kennzeichnen, würde x i - x w = Δx iw den wahren Fehler beschreiben. In der Praxis bleiben wahren Werte und Fehler x w und Δx iw meistens unbekannt und müssen mit den zur Verfügung stehenden Daten abgeschätzt werden. 4

5 Fehler- und Ausgleichsrechnung 1. Fehlerarten a. Grobe Fehler entstehen durch fehlerhaftes Verhalten des Bearbeiters, Beobachters und sind somit stets vermeidbar. ( aus der Sicht der Mathematik ). Beispiele: Ablesefehler Benutzung defekter Messgeräte Notierung von falschen Werten 5

6 Messfehler, Fehlerberechnung und Fehlerabschätzung b. Systematische Fehler Systematische Fehler nennt man solche Fehleranteile, welche bei Wiederholung einer Messung unter identischen Messbedingungen einen konstanten Wert besitzen, d.h. jedes Mal in gleicher Größe und mit gleichem Vorzeichen auftreten. Daraus folgt, dass systematische Fehler durch Wiederholung der Einzelmessungen weder erkannt noch eliminiert werden können. Folgende Arten systematischer Fehler sind bei der Durchführung physikalisch-chemischer Messungen zu berücksichtigen: 6

7 Vernachlässigung von Umwelteinflüssen: Auftrieb der Luft bei Wägungen, Abweichung der Kalibrier- von der Messtemperatur... Unvollkommenheit der Messgeräte: Eigenverbrauch elektrischer Messinstrumente, Nichtlinearität, Kalibrierfehler, altersbedingte Änderungen des Messgerätes,... Unzulänglichkeiten von Seiten des Experimentators: Ungenügendes theoretisches Verständnis des Messvorganges, mangelnde Objektivität den eigenen Messungen gegenüber, regelmäßige Parallaxe beim Ablesen von Zeigerinstrumenten,... 7

8 Zur Entdeckung systematischer Fehler ist es häufig nützlich, die Messbedingungen zu verändern, wobei auch diejenigen Parameter variiert werden sollten, die aufgrund der Theorie des Messvorganges keinen Einfluss auf die unbekannte Messgröße haben sollten. Noch wirkungsvoller wäre es, die Messmethode oder das Messprinzip völlig zu ändern. Eine Korrektur erkannter systematischer Fehler ist nicht immer mit einem vertretbaren Aufwand durch Verbesserung der Messmethodik zu erreichen. Oft ist es jedoch möglich, ihren Einfluss auf das Ergebnis durch eine, meist nachträglich durchgeführte Korrektur zu eliminieren. 8

9 Beispiele: Systematische Kennlinienfehler (bei linearer Funktion) Quelle: TU Dresden (ff) 9

10 10

11 c. Zufällige (oder statistische) Fehler Auch bei größtem Bemühen um eine exakte Wiederholung von Messungen stellt man fest, dass die numerischen Resultate in einem gewissen Streubereich liegen und die Abweichungen nach Betrag und Vorzeichen zufallsbedingt schwanken. Die gemessenen Werte sind in der Regel statistisch um einen Mittelwert herum verteilt. Diese statistisch schwankenden Messfehler nennt man zufällige Fehler, sie unterliegen den Gesetzen der Wahrscheinlichkeitsrechnung. 11

12 Teilgebiete der Statistik Deskriptive Statistik - Sammeln, Ordnen und Auswertung von Daten - Beschreibung und übersichtliche Darstellung von Daten - Ermittlung von Kenngrößen - Datenvalidierung ( Fehler, Trends, Häufungen, etc ) (Beschreibung = Deskription) Explorative Statistik - Weiterführung und Verfeinerung der deskriptiven Statistik - Suche nach Strukturen, Mustern und Besonderheiten Induktive Statistik - Mithilfe der Wahrscheinlichkeitsrechnung über die erhobenen Daten allgemeine Schlussfolgerungen ziehen, d.h. Verallgemeinerungen und Hochrechnungen. ( induktive = schließende = beurteilende ) 12

13 2.1 Grundbegriffe 2.2 Stichproben 2.3 Fehler, Ausreißer und fehlende Werte 2.4 Merkmale 2.5 Definition: Urliste, relative und absolute Häufigkeit 2.6 Tabellarische und graphische Darstellung: Häufigkeit 2.7 Klasseneinteilung (Klassierung) 2.8 Regeln für die Wahl von Klassen 2.9 Maßzahlen einer eindimensionalen Stichprobe (Lage und Streuung) 2.10 Lagemaße 2.11 Streuungsmaße 13

14 2.1 Grundbegriffe Grundgesamtheit: Alle Objekte, über die man eine Aussage gewinnen will, die man aber eventuell nicht vollständig erfassen kann. Stichprobe: Eine Teilmenge der Grundgesamtheit, die tatsächlich befragt wurden. Stichprobenumfang: Die Anzahl n der Objekte der Stichprobe heißt Stichprobenumfang. 14

15 2.2 Stichproben Methoden zur Durchführung von Stichprobenuntersuchungen Zufallsstichprobe Systematische Auswahl: objektives Kriterium Schichtenstichprobe Klumpenstichprobe Quotenstichprobe Repräsentative Stichprobe 15

16 2.3 Fehler, Ausreißer und fehlende Werte Behandlung von Datenausreißer Ausreißer Extremwert innerhalb einer Stichprobe, der nicht stimmen kann Ausreißer identifizieren Überprüfen und ggf. Korrigieren Datensatz streichen fehlerhafte Daten abändern ( z.b. Mittelwert einsetzen ) Datensatz beibehalten (Extremwert kommentieren) Unmögliche oder unplausible Werte Behandlung wie Ausreißer Fehler Behandlung wie Ausreißer, aber nie beibehalten! 16

17 2.4 Merkmale Klassifizierung von Merkmalen - qualitatives Merkmal, wenn seine Ausprägungen eine Qualität wiedergeben ( und nicht ein Ausmaß). Nominalskalierte Merkmale sind qualitativ und i.a. ordinal-skalierte Merkmale. - quantitatives Merkmal, wenn seine Ausprägungen ein Ausmaß bzw. eine Intensität widerspiegeln. Daher sind metrische Merkmale immer quantitativ ( messbar ). - Diskret, wenn es endlich viele oder abzählbar unendlich viele Ausprägungen hat (z.b. Geschlecht, Zähldaten, Freunde bei facebook ) - Stetig, wenn es alle Werte in einem reellen Intervall als Ausprägungen annehmen kann (z.b. Körpergröße). 17

18 2.4 Merkmale Nominalskala Keine Möglichkeit zur Bildung einer Rangordnung (z.b. Haarfarbe, Religion, Geschlecht) Qualitativ Art des Merkmals Ordinalskala Natürliche Rangfolge, die Abstände zwischen den Ausprägungen sind nicht quantifizierbar (z.b. Schulnoten, Qualitätsstufen, Dienstränge) Quantitativ Intervallskala Merkmale in Zahlen, aber kein natürlicher Nullpunkt (Jahreszahlen, Breitengrade) Intervallskala natürlicher Nullpunkt (Alter, Größe, Einkommen) Absolutskala Einheit ist maßstabsunabhängig (Stückzahlen, Kinderzahl) 18

19 2.5 Definition: Urliste, relative und absolute Häufigkeit Beispiel: Lieferzeiten eines Lieferanten in Tagen 19

20 2.5 Definition: Urliste, relative und absolute Häufigkeit Hat man eine Stichprobe vom Umfang n erhoben, so kann man die gemessenen Merkmalsausprägungen ungeordnet aufschreiben. Die so entstandene Liste nennt man Urliste. Listet man alle Merkmalsausprägungen auf, dann heißt die n Anzahl H i = i=1 1 {x i = a k } die absolute Häufigkeit der Ausprägung a k und h i = 1 H n i die relative Häufigkeit der Ausprägung a k. 20

21 2.5 Definition: Urliste, relative und absolute Häufigkeit Hat man eine Stichprobe vom Umfang n erhoben, so kann man die gemessenen Merkmalsausprägungen ungeordnet aufschreiben. Die so entstandene Liste nennt man Urliste. Listet man alle Merkmalsausprägungen auf, dann heißt die n Anzahl H i = i=1 1 {x i = a k } die absolute Häufigkeit der Ausprägung a k und h i = 1 H n i die relative Häufigkeit der Ausprägung a k. Tage H i h i 2% 2% 4% 24% 34% 19% 16% 21

22 2.5 Definition: Urliste, relative und absolute Häufigkeit Häufigkeitsverteilung einer Stichprobe Stichprobenwerte werden ihrer Größe nach geordnet und dann wird festgestellt, wie oft jeder Wert vorkommt. Ist der Stichprobenwert a k genau n k -mal in der Stichprobe enthalten, so heißt diese Zahl absolute Häufigkeit H(a k ) des Stichprobenwertes a k ( k = 1,, l ; l < n ). Dividiert man die absolute Häufigkeit durch die Anzahl n der Stichprobenwerte, so erhält man die relative Häufigkeit h i (x i ) = 1 n H(x i), wobei gilt k 0 < h i < 1 und i=1 h i = h 1 + h 2 + h k = 1. Die relative Häufigkeit wird auch als empirische Dichte bezeichnet. 22

23 2.6 Darstellung von Häufigkeiten Nominale und ordinale Merkmale kann man als Tabellen oder / und als Balkendiagramme darstellen. Die Höhe des Balken entspricht der absoluten oder relativen Häufigkeit der entsprechenden Ausprägung. blond braun schwarz sonstige ,91% 38,35% 29,98% 10,77% % % % 30% 25% 20% 15% 10% 50 5% 0 blond braun schwarz sonstige 0% blond braun schwarz sonstige 23

24 2.6 Darstellung von Häufigkeiten Die Darstellung als Tortendiagramm ist besonders bei nominalen Merkmalen sinnvoll (z.b. Parteien im Parlament). blond braun schwarz sonstige ,91% 38,35% 29,98% 10,77% blond braun schwarz sonstige

25 2.7 Klasseneinteilung Beispiel: Lebensdauer eines Ersatzteils: Stunden

26 2.7 Klasseneinteilung ( auch Klassierung genannt ) Definition: Ist h die empirische Dichte eines Merkmals X und ist K 1, K 2,, K n eine Partition des Wertebereichs von X, so ist die relative Klassenhäufigkeit h j gegeben durch h j = i x i K j } für 1 j n n 26

27 2.7 Klasseneinteilung Flächenregel: Bei der Darstellung der Häufigkeiten mittels Klassen sind keine festen Balkenbreiten vorgeschrieben, so dass die Fläche zählt und nicht die Höhe des Balken. A B C D E F A B C D E F Die Häufigkeit von D ist in beiden Fällen rechts und links gleich. 27

28 2.8 Regeln für die Wahl von Klassen Sei x 1,, x n eine Stichprobe vom Umfang n. Bei der Klassifizierung in k Klassen müssen folgende Regeln ( besser Tipps ) beachtet werden: Anzahl der Klassen: k n für n 400 Wählen Sie die Klassengrenzen (möglichst) äquidistant Bestimmen Sie die Höhe der Histogramm-Rechtecke proportional zur Klassenhäufigkeit Bilden Sie bei n = 100 mindestens k = 10, bei n 1000 k = 13 und k = 16 bei n (ex-din , Blatt 1) Jeder Stichprobenwert muss eindeutig zu einer Klasse gehören (Klassengrenzen!) Klassen müssen nicht gleich breit sein (Flächenregel! ). 28

29 2.9 Maßzahlen ( Lage und Streuung ) Verteilungen können verschiedene Formen zeigen: symmetrisch, U-förmig, gleichverteilt, links-/rechts-teilig, schief, bimodal, usw. Grafik: q-das 29

30 2.9 Maßzahlen ( Lage und Streuung ) Statistische Maßzahlen Mittelwerte Darstellung der zentralen Tendenz einer Beobachtungsreihe Streuungsmaße Angabe der Streuung der Einzelwerte um ihren Mittelwert Mittelwerte können unterschieden werden in lagetypische Mittelwerte und in rechnerische Mittelwerte. 30

31 2.10 Lagemaße Definition: Modalwert x mod Die Ausprägung x i einer Stichprobe eines Merkmals X, die die größte absolute Häufigkeit aufweist, heißt Modalwert x mod. Definition: Median x med ( = x ) Der Median oder Zentralwert der Stichprobe ist die Zahl x med, für die 50% aller Stichprobenwerte kleiner oder gleich und mindestens 50% größer oder gleich x med sind. Beispiel: Für {x i } = { 4, 1, 37, 2, 1 } ist x med = 2 31

32 2.10 Lagemaße Definition: arithmetisches Mittel x arith Das arithmetische Mittel einer Stichprobe mit n Werten ist gegeben durch x arith = 1 n Üblicherweise gilt x = x arith. n i=1 x i. Definition: geometrisches Mittel x geom Das geometrische Mittel einer Stichprobe mit n Werten ist gegeben durch x geom = n n i=1 x i. Beispiel: Bakterienpopulation {x i } = { 2, 8 } ist x geom = 4 32

33 2.10 Lagemaße Definition: harmonisches Mittel x harm Das harmonische Mittel x harm einer Stichprobe mit n Werten ist gegeben durch x harm = 1 n n i=1 1 x i 1 33

34 2.11 Streuungsmaße Definition: Spannbreite ( engl. Range ) Die Spannbreite einer Stichprobe ist die Differenz zwischen dem größten und dem kleinsten Stichprobenwert. Range = MAXIMUM ( x i ) MINIMUM ( x i ) Definition: mittlerer Fehler m Der mittlere Fehler m einer Stichprobe ist m = Definition: mittlerer Fehler m 2 1 n n i=1 (x i x ) 2 Der mittlere (wahre) Fehler m einer Stichprobe ist m = 2 1 n n i=1 x i x w 2 34

35 2.11 Streuungsmaße Definition: Varianz Die Varianz einer Stichprobe ist s² = 1 n 1 n i=1 (x i x ) 2. Definition: Standardabweichung 2 Die positive Wurzel s = s 2 Stichprobe. s = 2 1 n 1 heißt Standardabweichung der n i=1 (x i x ) 2 35

36 2.11 Streuungsmaße Satz: Sind die Werte x i einer Stichprobe mit n Werten, x das arithmetische Mittel und s die Standardabweichung, dann liegen alle Stichproben im Intervall x - n 1 s; x + n 1 s x - n n 1 n i=1 (x i x ) 2 ; x + n n 1 n i=1 (x i x ) 2 x - 2 n i=1 (x i x ) 2 2 n i=1 ; x + (x i x ) 2 36

37 2.11 Streuungsmaße Definition: Quantile und Quartile Sei x 1,, x n eine geordnete Stichprobe und sei 0 < p < 1, dann heißt x np +1 falls np N x p = 1 x np + x np+1 falls np N das p-quantil. 2 k bezeichnet den ganzzahligen Anteil einer Zahl, d.h. die Stellen nach dem Komma werden abgeschnitten. Beispiele : k = k für k N ; π = 3. Der Median x entspricht dem 0,5-Quantil, d.h. x = x 0,50. Die Quantile x (= x 0,50 ), x 0,25 und x 0,75 heißen Quartile. 37

38 2.11 Streuungsmaße Boxplot Ein Boxplot stellt den Median x, die Quartile x 0,25 und x 0,75 und die Spannweite x max - x min in einer Graphik dar. Der Abstand zwischen oberem und unterem Quartil x 0,75 - x 0,25 heißt Quartilsabstand (interquartile range). Der Boxplot (auch Box-Whisker-Plot oder deutsch Kastengrafik) stellt graphisch die Verteilung wichtiger Daten dar. Er fasst dabei verschiedene robuste Streuungs- und Lagemaße in einer Darstellung zusammen. Ein Boxplot soll schnell einen Eindruck darüber vermitteln, in welchem Bereich die Daten liegen und wie sie sich über diesen Bereich verteilen. 38

39 2.11 Streuungsmaße Boxplot 39

40 2.11 Streuungsmaße Boxplot 40

41 3. Fehlerfortpflanzung 3.1 maximaler Absolutfehler Wir betrachten die Größe Z, die durch zwei direkt messbare Größen X und Y bestimmt werden kann: z = f(x,y). Wie wirkt sich bei einer einmaligen Messung von x und y ein Fehler in x und y auf z aus? Δx = x i - x ; Δy = y k - y ; Δz = z ik - z z ik = f ( x i ; y k ) Taylor-Reihenentwicklung um x und y " z ik = f ( x +Δx, y+δy ) = z ik = f ( x, y ) + f x (x,y) Δx + f y (x,y) Δy Da f ( x, y ) = z ist, folgt Δz = z ik - z = f x (x,y) Δx + f y (x,y) Δy 41

42 3. Fehlerfortpflanzung 3.1 maximaler Absolutfehler Δz = z ik - z = f x (x,y) Δx + f y (x,y) Δy Um zu sehen, wie sich bei einer Einzelmessung von x und y ein Fehler Δx in x und Δy in y auf z = f(x,y) auswirkt, muss man den Fehler Δx mit der partiellen Ableitung von f nach x und den Fehler Δy mit der partiellen Ableitung von f nach y multiplizieren und die Produkte addieren. Da die Vorzeichen verschieden sein können, können sich die Fehler teilweise oder völlig kompensieren. Daher fragt man nach dem maximal möglichen Fehler und definiert den maximalen und relativen Absolutfehler Δz und Δz z. Δz = z ik - z f x (x,y) Δx + f y (x,y) Δy Δz z f x(x,y) Δx z + f y(x,y) Δy z 42

43 3. Fehlerfortpflanzung 3.2 Gaußsches Fehlerfortpflanzungsgesetz Δz = z ik - z = f x (x,y) Δx + f y (x,y) Δy Um die mögliche Kompensation von Fehlern mit verschiedenen Vorzeichen zu verhindern, können beide Seiten der Gleichung quadriert werden. (Δz i ) 2 = (f x (x,y) Δx i + f y (x,y) Δy i ) 2 (Δz i ) 2 = ( f 2 x (x,y) Δx i 2 + 2f x f y Δx i Δy i + f 2 y (x,y) Δy i 2 ) (Δz i ) 2 = ( f 2 x (x,y) Δx i f 2 y (x,y) Δy i 2 ) (Δz i ) 2 = f 2 x (x,y) Δx i 2 + f 2 y (x,y) Δy i 2 (Δz i ) 2 = f 2 x (x,y) Δx i 2 + f 2 y (x,y) Δy i 2 43

44 3. Fehlerfortpflanzung 3.2 Gaußsches Fehlerfortpflanzungsgesetz Δz = z ik - z = f x (x,y) Δx + f y (x,y) Δy Varianz von z : s² z = 1 n 1 n i=1 (z i z ) 2 = 1 n 1 (Δz i ) 2 s² z = f 2 x (x,y) Δx i n 1 f2 y (x,y) Δy i 2 s² z = f 2 x (x,y) s² x + f 2 y (x,y) s² y 1 n 1 s² z = f x (x,y) s x 2 + f y (x,y) s y 2 Gaußsches Varianzfortpflanzungsgesetz 44

45 3. Fehlerfortpflanzung 3.2 Gaußsches Fehlerfortpflanzungsgesetz Durch Wurzelziehen erhält man das Gaußsches Fehlerfortpflanzungsgesetz für die Standardabweichung der Einzelmessung s z = f x (x,y) s x 2 + f y (x,y) s y 2 Das Gaußsches Fehlerfortpflanzungsgesetz für die Standardabweichung des Mittelwertes s z = f x (x,y) s x 2 + f y (x,y) s y 2 da s z = s z n, s x = s x n, s y = s y n gilt. 45

46 3. Fehlerfortpflanzung 3.3 Vergleich lineare und Gaußsche Fehlerfortpflanzungz lineares Fehlerfortpflanzungsgesetz für die SMeßungenauigkeit der Einzelmessung Δz = z ik - z f x (x,y) Δx + f y (x,y) Δy Gaußsches Fehlerfortpflanzungsgesetz für die Standardabweichung der Einzelmessung s z = f x (x,y) s x 2 + f y (x,y) s y 2 46

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

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

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

Statistische Grundlagen I

Statistische Grundlagen I Statistische Grundlagen I Arten der Statistik Zusammenfassung und Darstellung von Daten Beschäftigt sich mit der Untersuchung u. Beschreibung von Gesamtheiten oder Teilmengen von Gesamtheiten durch z.b.

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

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten

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

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

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

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

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

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

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

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

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

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

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 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

Deskriptive Statistik

Deskriptive Statistik Fakultät für Humanwissenschaften Sozialwissenschaftliche Methodenlehre Prof. Dr. Daniel Lois Deskriptive Statistik Stand: April 2015 (V2) Inhaltsverzeichnis 1. Notation 2 2. Messniveau 3 3. Häufigkeitsverteilungen

Mehr

4. Kumulierte Häufigkeiten und Quantile

4. Kumulierte Häufigkeiten und Quantile 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:

Mehr

Angewandte Statistik 3. Semester

Angewandte Statistik 3. Semester Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen

Mehr

Statistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von

Statistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN

Mehr

3.2 Streuungsmaße. 3 Lage- und Streuungsmaße 133. mittlere Variabilität. geringe Variabilität. große Variabilität 0.0 0.1 0.2 0.3 0.4 0.

3.2 Streuungsmaße. 3 Lage- und Streuungsmaße 133. mittlere Variabilität. geringe Variabilität. große Variabilität 0.0 0.1 0.2 0.3 0.4 0. Eine Verteilung ist durch die Angabe von einem oder mehreren Mittelwerten nur unzureichend beschrieben. Beispiel: Häufigkeitsverteilungen mit gleicher zentraler Tendenz: geringe Variabilität mittlere Variabilität

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

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

Felix Klug SS 2011. 2. Tutorium Deskriptive Statistik

Felix Klug SS 2011. 2. Tutorium Deskriptive Statistik 2. Tutorium Deskriptive Statistik Felix Klug SS 2011 Skalenniveus Weitere Beispiele für Skalenniveus (Entnommen aus Wiederholungsblatt 1.): Skalenniveu Nominalskala Ordinalskala Intervallskala Verhältnisskala

Mehr

Lage- und Streuungsparameter

Lage- und Streuungsparameter Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch

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

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

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

I. Deskriptive Statistik 1

I. Deskriptive Statistik 1 I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................

Mehr

Vorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.

Vorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing. Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:

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

Behandlung von Messabweichungen

Behandlung von Messabweichungen 1 Behandlung von Messabweichungen Hier wird eine kurze Darstellung zum Verständnis der Problematik von Messgenauigkeit und Messunsicherheit aus der Sicht des Physikalischen Praktikums gegeben, siehe auch

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

Teil I: Deskriptive Statistik

Teil I: Deskriptive Statistik Teil I: Deskriptive Statistik 2 Grundbegriffe 2.1 Merkmal und Stichprobe 2.2 Skalenniveau von Merkmalen 2.3 Geordnete Stichproben und Ränge 2.1 Merkmal und Stichprobe An (geeignet ausgewählten) Untersuchungseinheiten

Mehr

Einführung in die Fehlerrechnung und Messdatenauswertung

Einführung in die Fehlerrechnung und Messdatenauswertung Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer

Mehr

If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra

If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Warum Biostatistik?

Mehr

Statistik. Jan Müller

Statistik. Jan Müller Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen

Mehr

Einführung in einige Teilbereiche der Wirtschaftsmathematik für Studierende des Wirtschaftsingenieurwesens

Einführung in einige Teilbereiche der Wirtschaftsmathematik für Studierende des Wirtschaftsingenieurwesens in einige Teilbereiche der für Studierende des Wirtschaftsingenieurwesens Sommersemester 2014 Hochschule Augsburg : Gliederung 1 Finanzmathematik 2 Lineare Programme 3 Differentialgleichungen 4 Statistik:

Mehr

Alle weiteren Messoperationen schließen die Klassifikation als Minimaloperation ein.

Alle weiteren Messoperationen schließen die Klassifikation als Minimaloperation ein. 1 unterschiedliche Skalenniveaus Wir haben zuvor schon kurz von unterschiedlichen Skalenniveaus gehört, nämlich dem: - Nominalskalenniveau - Ordinalskalenniveau - Intervallskalenniveau - Ratioskalenniveau

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

Deskriptive Statistik

Deskriptive Statistik Modul G.1 WS 07/08: Statistik 8.11.2006 1 Deskriptive Statistik Unter deskriptiver Statistik versteht man eine Gruppe statistischer Methoden zur Beschreibung von Daten anhand statistischer Kennwerte, Graphiken,

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

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

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse

Mehr

Bachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5

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

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

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

Grundlegende Eigenschaften von Punktschätzern

Grundlegende Eigenschaften von Punktschätzern Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur

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

Teil II: Einführung in die Statistik

Teil II: Einführung in die Statistik Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu

Mehr

Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen Hochschule Esslingen Übungsblatt 2. Statistik

Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen Hochschule Esslingen Übungsblatt 2. Statistik Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen 6.10.2016 Hochschule Esslingen Übungsblatt 2 Statistik Stichworte: arithmetischer Mittelwert, empirische Varianz, empirische Standardabweichung, empirischer

Mehr

Beschreibung univariater Verteilungen

Beschreibung univariater Verteilungen Inhaltsverzeichnis Beschreibung univariater Verteilungen... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-4)... 4 1. Verteilungsformen... 4 2. Masse der zentralen Tendenz (Mittelwerte)... 5 Einleitung...

Mehr

Fehlerrechnung. Einführung. Jede Messung ist fehlerbehaftet! Ursachen:

Fehlerrechnung. Einführung. Jede Messung ist fehlerbehaftet! Ursachen: Fehlerrechnung Einführung Jede Messung ist fehlerbehaftet! Ursachen: Ablesefehler (Parallaxe, Reaktionszeit) begrenzte Genauigkeit der Messgeräte falsche Kalibrierung/Eichung der Messgeräte Digitalisierungs-Fehler

Mehr

Auswertung und Darstellung wissenschaftlicher Daten (1)

Auswertung und Darstellung wissenschaftlicher Daten (1) Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea

Mehr

Über den Autor 7. Teil Beschreibende Statistik 29

Über den Autor 7. Teil Beschreibende Statistik 29 Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:

Mehr

Deskriptive Statistik & grafische Darstellung

Deskriptive Statistik & grafische Darstellung Deskriptive Statistik & grafische Darstellung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Deskriptive

Mehr

Hydrologie und Flussgebietsmanagement

Hydrologie und Flussgebietsmanagement Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik

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

Keine Panik vor Statistik!

Keine Panik vor Statistik! Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt

Mehr

Skript zur Übung: Grundlagen der empirischen Sozialforschung - Datenanalyse

Skript zur Übung: Grundlagen der empirischen Sozialforschung - Datenanalyse Skript zur Übung: Grundlagen der empirischen Sozialforschung - Datenanalyse Phasen des Forschungsprozesses Auswahl des Forschungsproblems Theoriebildung Theoretische Phase Konzeptspezifikation / Operationalisierung

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Faustformeln / Zusammenhänge a) Binomialverteilung als Poissonverteilung:

Faustformeln / Zusammenhänge a) Binomialverteilung als Poissonverteilung: Faustformeln / Zusammenhänge a) Binomialverteilung als Poissonverteilung: k ( np) np B( n, p; k) Poi( np, k) e k! falls gilt: p

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

JOACHIM BEHNKE / NINA BAUR / NATHALIE BEHNKE. Empirische Methoden der Politikwissenschaft

JOACHIM BEHNKE / NINA BAUR / NATHALIE BEHNKE. Empirische Methoden der Politikwissenschaft JOACHIM BEHNKE / NINA BAUR / NATHALIE BEHNKE Empirische Methoden der Politikwissenschaft 1 Einleitung 13 2 Methoden im empirischen Forschungsprozess 17 2.1 Methoden und wissenschaftliche Theorie 17 2.2

Mehr

Deskriptive Statistik Kapitel III - Merkmalsarten

Deskriptive Statistik Kapitel III - Merkmalsarten Deskriptive Statistik Kapitel III - Merkmalsarten Georg Bol bol@statistik.uni-karlsruhe.de hoechstoetter@statistik.uni-karlsruhe.de April 26, 2006 Typeset by FoilTEX Agenda 1. Merkmalsarten 2. Skalen 3.

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

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

Inhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16

Inhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16 Vorwort 1 1. Kapitel: Der Stellenwert der Statistik für die sozialwissenschaflliche Forschung 1 1. Zur Logik (sozial-)wissenschaftlicher Forschung 1 1. Alltagswissen und wissenschaftliches Wissen 1 2.

Mehr

Eine zweidimensionale Stichprobe

Eine zweidimensionale Stichprobe Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,

Mehr

LEHRPLAN MATHEMATIK SPORT- UND MUSIKKLASSE

LEHRPLAN MATHEMATIK SPORT- UND MUSIKKLASSE LEHRPLAN MATHEMATIK SPORT- UND MUSIKKLASSE STUNDENDOTATION GF EF 3. KLASSE 1. SEM. 4 2. SEM. 4 4. KLASSE 1. SEM. 3 2. SEM. 3 5. KLASSE 1. SEM. 3 2. SEM. 3 6. KLASSE 1. SEM. 3 2 2. SEM. 3 2 7. KLASSE 1.

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

Herzlich willkommen zum Thema SPSS

Herzlich willkommen zum Thema SPSS Herzlich willkommen zum Thema SPSS (SUPERIOR PERFORMING SOFTWARE SYSTEM) Qualitative und quantitative Forschungsmethoden Qualitative Methoden: Qualitative Verfahren werden oft benutzt, wenn der Forschungsgegenstand

Mehr

1. GEGENSTAND UND GRUNDBEGRIFFE DER STATISTIK

1. GEGENSTAND UND GRUNDBEGRIFFE DER STATISTIK 1 1. GEGENSTAND UND GRUNDBEGRIFFE DER STATISTIK 1.1 Gegenstand der Statistik Die Statistik stellt ein Instrumentarium bereit, um Informationen über die Realität oder Wirklichkeit verfügbar zu machen. Definition

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

Einfache Statistiken in Excel

Einfache Statistiken in Excel Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum

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

Grundlagen der Statistik

Grundlagen der Statistik Grundlagen der Statistik Übung 1 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den insendeaufgaben geprüften Lehrzielgruppen Lehrzielgruppe

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

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

Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure

Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie

Mehr

Medizinische Biometrie (L5)

Medizinische Biometrie (L5) Medizinische Biometrie (L5) Vorlesung II Daten Deskription Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de IBE,

Mehr

Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!)

Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!) Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!) - Arithmetisches Mittel o Das arithmetische Mittel (auch Durchschnitt) ist ein Mittelwert, der als Quotient

Mehr

STATISTIK. Erinnere dich

STATISTIK. Erinnere dich Thema Nr.20 STATISTIK Erinnere dich Die Stichprobe Drei Schüler haben folgende Noten geschrieben : Johann : 4 6 18 7 17 12 12 18 Barbara : 13 13 12 10 12 3 14 12 14 15 Julia : 15 9 14 13 10 12 12 11 10

Mehr

1. Versuch: Fehlerrechnung - Statistik

1. Versuch: Fehlerrechnung - Statistik Physikpraktikum für Pharmazeuten Universität Regensburg Fakultät Physik 1. Versuch: Fehlerrechnung - Statistik In diesem Versuch werden Sie mit den statistischen Grundlagen vertraut gemacht. Anhand der

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

Univariates Datenmaterial

Univariates Datenmaterial Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =

Mehr

Analytische Statistik II

Analytische Statistik II Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Das Testen von Hypothesen Während die deskriptive Statistik die Stichproben nur mit Hilfe quantitativer Angaben charakterisiert,

Mehr

Stochastik und Statistik für Ingenieure Vorlesung 10

Stochastik und Statistik für Ingenieure Vorlesung 10 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 10 11. Dezember 2012 4.2. Graphiken und statistische Maßzahlen (Kenngrößen,

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

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

Analytische Statistik II

Analytische Statistik II Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.

Mehr

Teil I: Deskriptive Statistik

Teil I: Deskriptive Statistik Teil I: Deskriptive Statistik 2 Grundbegriffe 2.1 Merkmal und Stichprobe 2.2 Skalenniveau von Merkmalen 2.3 Geordnete Stichproben und Ränge 2.1 Merkmal und Stichprobe An (geeignet ausgewählten) Untersuchungseinheiten

Mehr

9. Kapitel: Grafische Darstellung quantitativer Informationen

9. Kapitel: Grafische Darstellung quantitativer Informationen 9. Kapitel: Grafische Darstellung quantitativer Informationen 9.1: Fallstricke bei der Übersetzung von Zahlen in Bilder a) optische Täuschungen b) absichtliche Manipulationen 9.2: Typologie von Datengrafiken

Mehr

Was ist Physik? Modell der Natur universell es war schon immer so

Was ist Physik? Modell der Natur universell es war schon immer so Was ist Physik? Modell der Natur universell es war schon immer so Kultur Aus was sind wir gemacht? Ursprung und Aufbau der Materie Von wo/was kommen wir? Ursprung und Aufbau von Raum und Zeit Wirtschaft

Mehr

Expertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung)

Expertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung) Epertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung) Im Folgenden wird mit Hilfe des Programms EXEL, Version 007, der Firma Microsoft gearbeitet. Die meisten

Mehr