Kapitel 3: Lagemaße. Ziel. Komprimierung der Daten zu einer Kenngröße, welche die Lage, das Zentrum der Daten beschreibt
|
|
- Karlheinz Beltz
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 3: Lagemaße Ziel Komprimierung der Daten zu einer Kenngröße, welche die Lage, das Zentrum der Daten beschreibt Dr. Matthias Arnold 52
2 Definition 3.1 Seien x 1,...,x n Ausprägungen eines kardinal skalierten Merkmals X, dann heißt n arithmetisches Mittel von X. x = 1 n i=1 x i Beispiel 3.1 (Ventillebensdauern, vgl. Kapitel 2) x = 1 n n x i = 1 ( ) = 313,17 30 i=1 Dr. Matthias Arnold 53
3 Beispiel 3.1 (Fortsetzung) Vorgehen, wenn Daten lediglich in klassierter Form vorliegen? Betrachte etwa Klassierung wie in Beispiel 2.5 Klasse (von... bis unter... Stunden) h(a j ) Klassenmittel Klassenmitte / / /30 253, / /30 449, /30 546, Dr. Matthias Arnold 54
4 Definition 3.2 Gegeben sei ein kardinal skaliertes Merkmal X mit Ausprägungen x 1,...,x n und zugehörigen Gewichten g 1,...,g n, für die g i 0 für alle i = 1,...,n und n g i = 1 i=1 gelte. Dann heißt x g = n g i x i = g 1 x g n x n i=1 gewichtetes arithmetisches Mittel von X. Dr. Matthias Arnold 55
5 Beispiel 3.2 (Ventillebensdauern, Klassierung wie in Beispiel 3.1) Verwende relative Häufigkeiten h(a i ) als Gewichte g i a) Annahme: Klassenmittel bekannt x g = ,67 = 313,17 = x 30 klar, da x g = 2 30 [1 2 (30+70)] [1 5 ( )] [1 3 ( )] = 1 30 ( ) = x Dr. Matthias Arnold 56
6 Beispiel 3.2 (Fortsetzung) b) Annahme: Klassenmittel unbekannt x g = = 316,67 30 bei unbekanntem Klassenmittel stimmen x und x g in der Regel nicht überein Dr. Matthias Arnold 57
7 Beispiel 3.3 a) Betrachte für die letzten 15 Jahre die Platzierungen des BVB in der Bundesliga-Abschlusstabelle: 5, 6, 13, 9, 7, 7, 6, 3, 1, 3, 11, 4, 10, 3, 1 Durchschnittlicher Tabellenplatz (gemäß des arithmetischen Mittels): x = 5,9 3??? Derartige Angabe nicht sinnvoll interpretierbar, da Tabellenplätze normalerweise ganzzahlig Tabellenplätze außerdem ordinal skaliert die möglichen Platzierungen (1-18) sind nicht naturgegeben, könnten daher (unter Beibehaltung der Reihenfolge) auch willkürlich in andere Zahlen transformiert werden (z.b. 1; 2,5; 3; 5; 7,7;... ; 99); x und x g gegenüber derlei Umskalierungen nicht robust Dr. Matthias Arnold 58
8 Beispiel 3.3 (Fortsetzung) b) Betrachte 10 Personen, 9 davon haben ein Jahreseinkommen von Euro; Person 10: Jahreseinkommen von Euro (fiktive Zahlen) x = Euro x (und auch x g ) sehr anfällig gegenüber Ausreissern Definition 3.3 Sei X ein mindestens ordinal skaliertes Merkmal mit beobachteten Ausprägungen x 1,x 2,...,x n. Mit x (i) ist der i-te Wert der aufsteigend geordneten Daten bezeichnet. Dann heißt x ( n+1 2 ), n ungerade x = ( ) 1 2 x ( n 2) +x ( n +1), n gerade 2 Median von X. Dr. Matthias Arnold 59
9 Beispiel 3.4 (vgl. Beispiel 3.3) a) Im Durchschnitt hat der BVB in der Bundesliga-Abschlusstabelle auf Basis der letzten 15 Jahre den 6. Platz belegt, denn n = 15 = ungerade x = x (8) und x (1) = x (2) = 1, x (3) =... = x (5) = 3, x (6) = 4, x (7) = 5, x (8) = x (9) = 6, x (10) = x (11) = 7, x (12) = 9, x (13) = 10, x (14) = 11, x (15) = 13 Dr. Matthias Arnold 60
10 Beispiel 3.4 (Fortsetzung) b) Das Durchschnittseinkommen der 10 Personen im fiktiven Beispiel aus Beispiel 3.3 b) beträgt (gemäß des Medians) Euro, denn und n = 10 = gerade x = 1 2 (x (5) +x (6) ) x (1) =... = x (9) = , x (10) = x = = Dr. Matthias Arnold 61
11 Bemerkung Der Median stimmt oft mit einer beobachteten Ausprägung überein Der Median ist robuster gegenüber Ausreissern als x und x g Nachteil des Medians: Häufig großer Informationsverlust, da nur die mittleren Beobachtungen relevant sind Dr. Matthias Arnold 62
12 Bemerkung (Eigenschaften von arithm. Mittel und Median) Bei linearen Datentransformationen der Form y i = a x i +b mit a 0 (i = 1,...,n) gilt: ȳ = a x+b und ỹ = a x+b. Beide Lagemaße minimieren jeweils eine Zielfunktion: ( n ) ( n ) x = argmin (x i z) 2 und x = argmin x i z z R z R i=1 i=1 Dr. Matthias Arnold 63
13 Beispiel 3.5 Kardinal skaliertes Merkmal: Arithmetisches Mittel; Ordinal skaliertes Merkmal: Median; Nominale Skalierung:??? Notiere etwa Farbe der Fahrzeuge auf dem Uniparkplatz: rot, grün, grün, blau, blau, rot, schwarz, weiss, rot, schwarz (vergleiche Beispiel 1.1) sinnvolles Lagemaß? Definition 3.4 Als Modalwert bzw. Modus wird die Ausprägung eines beliebig skalierten Merkmals X bezeichnet, die am häufigsten auftritt; Bezeichnung: x mod Dr. Matthias Arnold 64
14 Beispiel 3.6 (vgl. Beispiel 3.5, Fahrzeugfarben) Häufigkeiten der beobachteten Farben: 3 rot, 2 blau, 2 grün, 2 schwarz, 1 weiss x mod =rot Bemerkung (Nachteile des Modus) Modalwert muss nicht eindeutig sein Bei quantitativ stetigen Daten sind oft sämtliche Beobachtungen unterschiedlich voneinander; hier liefert der Modus keine Informationen Klassierung der Daten; als Modus kann die Mitte der Klasse mit der größten Klassenhäufigkeit aufgefasst werden (im Rahmen der Klassierung von Beispiel 3.1 gilt also x mod = 350) Dr. Matthias Arnold 65
15 Beispiel 3.7 Aktienkurse zu drei Zeitpunkten (fiktiv) Zeitpunkt i Aktienkurs x i Wachstumsrate r i 0,6-0,375 Wachstumsfaktor (1+r i ) 1,6 0,625 wobei r i = x i x i 1 x i 1 Durchschnittliche Wachstumsrate? r = 1 (0,6+( 0,375)) = 0, Unsinn, da (wegen x 0 = x 2 ) r = 0 gelten muss Dr. Matthias Arnold 66
16 Definition 3.5 Sei X ein kardinal skaliertes Merkmal mit Ausprägungen x 1,...,x n 0. Dann heißt x geo = n x 1 x 2 x n das geometrische Mittel von x 1,...,x n. Beispiel 3.8 (vgl. Beispiel 3.7) Auch negative Wachstumsraten möglich (hier etwa r 2 = 0,375) berechne geometrisches Mittel (1+r) geo aus den Wachstumsfaktoren r = (1+r) geo 1 (1+r) geo = 1,6 0,625 = 1 r = 1 1 = 0 Dr. Matthias Arnold 67
17 Bemerkung a) Herleitung des geometrischen Mittels (exemplarisch anhand Situation aus Beispiel 3.7 bzw. 3.8) Kurs z. Zeitpkt. 0 : x0 Kurs z. Zeitpkt. 1 : x 0 +r 1 x 0 = x 0 (1+r 1 ) = x 1 Kurs z. Zeitpkt. 2 : x 2 = x 1 (1+r 2 ) = x 0 (1+r 1 ) (1+r 2 ) Gesucht: Geeigneter Durchschnitt von r1,r 2 (= r) Anforderungen an r : x 0 (1+ r) (1+ r) = x 0 (1+ r) 2 = x 0 (1+r 1 ) (1+r 2 ) Division durch x 0 und Auflösung nach r : (1+ r) = 2 (1+r 1 ) (1+r 2 ) r = 2 (1+r 1 ) (1+r 2 ) 1 Dr. Matthias Arnold 68
18 Bemerkung (Fortsetzung) b) Allgemein gilt x geo x ( x geo = x genau dann, wenn x 1 =... = x n ) c) Verwende x geo, falls Merkmalsausprägungen relativen Änderungen entsprechen Dr. Matthias Arnold 69
19 Bemerkung Andere Lagemaße, die nicht unbedingt dem Durchschnitt der Merkmalsausprägungen entsprechen: Quantile Sei 0 < p < 1; Jeder Wert x p, für den mindestens ein Anteil p 100 Prozent der Daten kleiner/gleich x p, und mindestens ein Anteil (1 p) 100 Prozent größer/gleich x p ist, heißt p Quantil, d.h. F n (x p ) p und Anzahl(x Werte x p ) n 1 p Dr. Matthias Arnold 70
20 Bemerkung (Fortsetzung) Problem: x p muss nicht eindeutig sein - betrachte etwa ein beliebiges Merkmal mit Ausprägungen 1 bis 10; gesucht: 0, 2 Quantil F n (x) = 0,2 für 2 x < 3, F n (3) = 0,3 und { Anzahl(Beobachtungen x) 0,9 x = 2 10 = 0,8 2 < x 3 sämtliche x [2,3] erfüllen die Bedingungen des 0,2-Quantils Dr. Matthias Arnold 71
21 Definition 3.6 (eindeutige Definition des p Quantils) Für 0 < p < 1 und ein mindestens ordinal skaliertes Merkmal X mit den beobachteten Ausprägungen x 1,x 2,...,x n heißt { x x p = ( np +1), np nicht ganzzahlig 1 (x ) 2 (np) +x (np+1), np ganzzahlig p Quantil von X. Dr. Matthias Arnold 72
22 Bemerkung a) Fiktives Zahlenbeispiel aus Bemerkung 2 vor Definition 3.6 (Merkmal X mit Ausprägungen 1-10): n = 10, p = 0.2 n p = 2 ganzzahlig nach Definition 3.6 ist x 0,2 = 1/2 (x (2) +x (3) ) = 2,5 b) Besonders gebräuchliche Quantile 0,25-Quantil x 0,25 (unteres Quartil) 0,75-Quantil x 0,75 (oberes Quartil) Median x = x 0,5 x (1),x 0,25, x,x 0,75,x (n) = 5-Punkte-Zusammenfassung Dr. Matthias Arnold 73
23 Bemerkung (Fortsetzung) c) Grafische Darstellung der 5-Punkte-Zusammenfassung durch Box-Plot Schachtel (Box): beinhaltet 50 Prozent der mittleren Daten; Anfang der Box: x 0,25 ; Ende der Box: x 0,75 Strich in der Box: markiert den Median Whiskers (Barthaare): Linien, welche Anfang bzw. Ende der Box mit x (1) bzw. x (n) verbinden Dr. Matthias Arnold 74
24 Beispiel 3.9 (BVB-Abschlussplatzierungen,vgl. Beispiel 3.3) x (1),...,x (15) = 1,1,3,3,3,4,5,6,6,7,7,9,10,11,13 p = 0,25 n p = 15 0,25 = 3,75 nicht ganzzahlig x 0,25 = x (4) = 3 p = 0,5 x = x (8) = 6, vgl. Beispiel 3.4 p = 0,75 n p = 15 0,75 = 11,25 nicht ganzzahlig x 0,75 = x (12) = 9 Dr. Matthias Arnold 75
25 Beispiel 3.9 (Fortsetzung) Boxplot der BVB Platzierungen Platzierung Dr. Matthias Arnold 76
26 Beispiel 3.9 (Fortsetzung) Platzierung BVB Platzierung Schalke 04 Dr. Matthias Arnold 77
27 Bemerkung (Fazit zu Lagemaßen) (Gewichtetes) arithmetisches Mittel nur für kardinal skalierte Merkmale geeignet Geometrisches Mittel ebenfalls nur bei kardinalem Messniveau; bei relativen Änderungen (z.b. durchschnittlichen Wachstumsraten) zu verwenden Median/Quantile für ordinal und kardinal skalierte Merkmale geeignet Modus für alle Skalenniveaus verwendbar (bei stetigen, unklassierten Daten allerdings oft ohne Aussagekraft) Dr. Matthias Arnold 78
28 Kapitel 4: Streuungsmaße Motivation Lagemaß fasst Zentrum/Schwerpunkt der Daten in einer Kenngröße zusammen; wie weit sich die Daten um dieses Zentrum herum bewegen wird durch Lagemaß jedoch nicht deutlich Dr. Matthias Arnold 79
29 Beispiel 4.1 Jahresgewinn von zwei Unternehmen X und Y in TEUR, in fünf aufeinanderfolgenden Jahren beobachtet Zeitpunkt Gewinn X , ,5 Gewinn Y x = 100 und ȳ = 100 Lagemaß allein zur Beschreibung eines Datensatzes oft nicht ausreichend Dr. Matthias Arnold 80
30 Beispiel 4.1 (Fortsetzung) Gewinn Unternehmen Y Unternehmen X Jahr Dr. Matthias Arnold 81
31 Definition 4.1 Betrachte ein Merkmal X mit mindestens ordinalem Skalenniveau und Ausprägungen x 1,...,x n. Dann heißt Spannweite von X und Quartilsabstand von X. R x = max{x i } min{x i } i i = x (n) x (1) Q x = x 0,75 x 0,25 Dr. Matthias Arnold 82
32 Beispiel 4.2 (vgl. Beispiel 4.1, Unternehmensgewinne) Geordnete Reihe x (1),...,x (n) von Kurs X : 90 ; 95 ; 102,5 ; 105 ;107,5 ; Kurs Y : 80 ; 85 ; 90 ; 115 ; 130 R x = 107,5 90 = 17,5 und R y = = 50 0,25 5 = 1,25 x 0,25 = x (2) = 95, y 0,25 = y (2) = 85; 0,75 5 = 3,75 x 0,75 = x (4) = 105, y 0,75 = y (4) = 115, also ist Q x = = 10 und Q y = = 20 Dr. Matthias Arnold 83
33 Bemerkung Spannweite einfachstes Streuungsmaß, leicht zu berechnen; findet Anwendung in Bereichen, wo Extremwerte interessant sind (Börsenkurse, Warenpreise,...) Nachteil Spannweite: Sehr empfindlich gegenüber Ausreissern, da nur größte und kleinste Beobachtung berücksichtigt werden Quartilsabstand gegenüber Ausreissern robuster, beschreibt zentralen Bereich der Daten Weder Spannweite noch Quartilsabstand beziehen sich auf ein Lagemaß Dr. Matthias Arnold 84
34 Definition 4.2 Betrachte ein Merkmal X mit mindestens ordinalem Skalenniveau und Ausprägungen x 1,...,x n. Dann heißt d x = 1 n n x i x i=1 mittlere absolute Abweichung (vom Median) von X und x = 1 n n n 2 x i x j i=1 j=1 mittlere absolute Differenz von X. Dr. Matthias Arnold 85
35 Beispiel 4.3 (vgl. Beispiele 4.1 & 4.2, Unternehmensgewinne) x = 102,5 und ỹ = 90 d x d y = 1 5 ( , , ,5 102, , ,5 102,5 ) = 5,5 und = 1 5 ( ) = 16 > d x Dr. Matthias Arnold 86
36 Beispiel 4.3 (Fortsetzung) x = = 7,2 und y = 1 25 ( , , ,5 107,5 ) 1 25 ( ) = 20,8 > x Es gilt d x < d y und x < y, Beide Streuungsmaße entsprechen der Grafik in Beispiel 4.1 (größere Streuung von Gewinn Y im Vergleich zu X) Dr. Matthias Arnold 87
37 Bemerkung Mittlere absolute Abweichung und mittlere absolute Differenz sind feinere Streuungsmaße als Spannweite und der Quartilsabstand, da alle Beobachtungen berücksichtigt werden Im Gegensatz zu Spannweite, Quartilsabstand und mittlerer absolute Differenz bezieht sich d x auf ein Lagemaß, nämlich den Median Ebenfalls berechenbar: Mittlere absolute Abweichung von einem anderen Lagemaß (z.b. arithmetischem Mittel) Nachteil von d x und x im Vergleich zu Spannweite und Quartilsabstand: Erheblich höherer Rechenaufwand (die Doppelsumme in Beispiel 4.3 etwa resultiert in 25 Summanden) Dr. Matthias Arnold 88
38 Definition 4.3 Betrachte ein Merkmal X mit kardinalem Skalenniveau und Ausprägungen x 1,...,x n. Dann heißt s 2 x = 1 n n (x i x) 2 i=1 Varianz oder mittlere quadratische Abweichung von X und Standardabweichung von X. s x = s 2 x Dr. Matthias Arnold 89
39 Beispiel 4.4 (vgl. Beispiele 4.1, 4.2 & 4.3, Unternehmensgewinne) x = ȳ = 100 (vgl. Beispiel 4.1) s 2 x = 1 [ (90 100) 2 +( ) 2 +(102,5 100) 2 5 +(95 100) 2 +(107,5 100) 2] = 42,5 und s x = s 2 x = 6,519 und s 2 y = 1 [ (80 100) 2 +( ) 2 +(90 100) 2 5 +(85 100) 2 +( ) 2] = 370 > s 2 x und s y = s 2 y = 19,235 > s x Größere Streuung der Gewinne von Unternehmen Y im Vergleich zu Unternehmen X wird durch beide Maße ebenfalls wiedergegeben Dr. Matthias Arnold 90
40 Bemerkung a) Varianz bzw. Standardabweichung populärste Streuungsmaße b) Standardabweichung hat gleiche Dimension/Maßeinheit wie die Ausprägungen wird manchmal gegenüber der Varianz bevorzugt; betrachte etwa Unternehmen X aus Beispiel 4.4: s x = 6,519 Euro, s 2 x = 42,5 Euro 2 c) s 2 x = 0 x i = x für alle i = 1,...,n d) Definition 4.3: Dividiere die summierten und quadrierten Differenzen durch n häufig auch Division durch n 1; Grund: später Dr. Matthias Arnold 91
41 Bemerkung (Fortsetzung) e) Alternative Berechnung von s 2 x (immer mit Formel aus Definition 4.3 übereinstimmend): s 2 x = 1 n n x 2 i ( x) 2 i=1 Überprüfe e) anhand Unternehmen X (vgl. die Beispiele 4.1 bis 4.4) s 2 x = 1 ( , ,5 2) = 10042, = 42,5 gleiches Ergebnis wie in Beispiel 4.4 (dort Verwendung der Formel aus Definition 4.3) Dr. Matthias Arnold 92
42 Bemerkung (Fortsetzung) f) Seien y i transformierte Werte von x i mit y i = a x i +b (a,b R, i = 1,...,n). Dann gilt Ry = a R x Qy = a Q x d y = a d x y = a x s 2 y = a 2 s 2 x bzw. s y = a s x, außerdem sind alle Streuungsmaße immer nicht negativ! Dr. Matthias Arnold 93
43 Bemerkung (Fortsetzung) g) Fazit zu Streuungsmaßen Varianz und Standardabweichung nur für kardinal skalierte Merkmale geeignet Spannweite, Quartilsabstand, mittlere absolute Abweichung und mittlere absolute Differenz für ordinal und kardinal skalierte Merkmale geeignet Neben Lagemaß liefert Streuungsmaß weitere Infos über die Datenbeschaffenheit Streuungsmaß kann als Ergänzung zu Lagemaß angesehen werden (Varianz kennzeichnet etwa Repräsentativität des Mittelwertes) Beispiel 4.1, Unternehmensgewinne: Betrachte Lagemaß (Mittelwert) alleine Beide Datensätze erscheinen ähnlich/gleich (Trugschluß, vergleiche Grafik in Beispiel 4.1) zusätzliche Angabe eines Streuungsmaßes klärt den Sachverhalt auf Dr. Matthias Arnold 94
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)
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.5: Histogramm (klassierte erreichte Punkte, Fortsetzung Bsp. 1.1) 0.25 0.2 Höhe 0.15 0.1 0.05 0 0 6 7 8,5 10 11 erreichte Punkte Dr. Karsten Webel 24 Beispiel 1.5: Histogramm (Fortsetzung) Klasse
MehrStatistik I für Betriebswirte Vorlesung 9
Statistik I für Betriebswirte Vorlesung 9 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik Vorlesung am 8. Juni 2017 im Audi-Max (AUD-1001) Dr. Andreas Wünsche Statistik I für Betriebswirte
MehrEmpirische Verteilungsfunktion
Empirische Verteilungsfunktion H(x) := Anzahl der Werte x ist. Deskriptive
Mehrhtw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK htw saar 2 Grundbegriffe htw saar 3 Grundgesamtheit und Stichprobe Ziel: Über eine Grundgesamtheit (Population) soll eine Aussage über ein
Mehr3. 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
MehrStatistik für Ökonomen Wintersemester 2010/2011. Dr. Hendrik Hansen
Statistik für Ökonomen Wintersemester 2010/2011 Dr. Hendrik Hansen Was ist Statistik Umfassendes methodisch-quantitatives Instrumentarium zur Charakterisierung und Auswertung empirischer Befunde [...]
MehrKapitel 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
Mehr4 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
Mehr4 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
MehrThema: 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.
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrDiese Lücken sollten nicht auch bei Ihnen vorhanden sein: Aufgrund einer statistischen Untersuchung entsteht eine geordnete bzw. ungeordnete, die durc
SS 2017 Torsten Schreiber 222 Diese Lücken sollten nicht auch bei Ihnen vorhanden sein: Aufgrund einer statistischen Untersuchung entsteht eine geordnete bzw. ungeordnete, die durch Summierung je Ausprägung
MehrStatistische Kennzahlen für die Lage
Statistische Kennzahlen für die Lage technische universität ach der passenden grafischen Darstellung der Werte eines Merkmals auf der Gesamtheit der Beobachtungen interessieren jetzt geschickte algebraische
MehrKapitel 2. Mittelwerte
Kapitel 2. Mittelwerte Im Zusammenhang mit dem Begriff der Verteilung, der im ersten Kapitel eingeführt wurde, taucht häufig die Frage auf, wie man die vorliegenden Daten durch eine geeignete Größe repräsentieren
MehrErmitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
MehrDeskriptive Statistik Auswertung durch Informationsreduktion
Deskriptive Statistik Auswertung durch Informationsreduktion Gliederung Ø Grundbegriffe der Datenerhebung Total-/Stichprobenerhebung, qualitatives/quantitatives Merkmal Einteilung der Daten (Skalierung,
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr Einführung in Quantitative Methoden- 2.VO 1/62 Summenzeichen
Mehr1 45, 39, 44, 48, 42, 39, 40, , 31, 46, 35, 31, 42, 51, , 42, 33, 46, 33, 44, 43
1) Ermittle jeweils das arithmetische Mittel. Ordne die Datenerhebungen nach der Größe der arithmetischen Mittel. Beginne mit dem Größten. 1 45, 39, 44, 48, 42, 39, 40, 31 2 35, 31, 46, 35, 31, 42, 51,
MehrStatistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.
Zusammenfassung und wichtiges zur Prüfungsvorbereitung 9. Dezember 2008 Begriffe Kenntnis der wichtigen Begriffe und Unterscheidung dieser. Beispiele: Merkmal, Merkmalsraum, etc. Skalierung: Nominal etc
Mehra) x = 1150 ; x = 950 ; x = 800 b) Die Lagemaße unterscheiden sich voneinander. c) Der Median charakterisiert die Stichprobe am besten.
R. Brinkmann http://brinkmann-du.de Seite 6.0.2009 Lösungen Mittelwert, Median II se: E E2 E3 E4 E5 E6 a) Notendurchschnitt 2,6 b) Säulendiagramm siehe ausführliche Lösung. c) Kreisdiagramm siehe ausführliche
MehrSTATISTIK I Übung 04 Spannweite und IQR. 1 Kurze Wiederholung. Was sind Dispersionsparameter?
STATISTIK I Übung 04 Spannweite und IQR 1 Kurze Wiederholung Was sind Dispersionsparameter? Die sogenannten Dispersionsparameter oder statistischen Streuungsmaße geben Auskunft darüber, wie die Werte einer
MehrWiederholung Statistik I. Statistik für SozialwissenschaftlerInnen II p.8
Wiederholung Statistik I Statistik für SozialwissenschaftlerInnen II p.8 Konstanten und Variablen Konstante: Merkmal hat nur eine Ausprägung Variable: Merkmal kann mehrere Ausprägungen annehmen Statistik
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrGrundlagen der empirischen Sozialforschung
Grundlagen der empirischen Sozialforschung Sitzung 10 - Datenanalyseverfahren Jan Finsel Lehrstuhl für empirische Sozialforschung Prof. Dr. Petra Stein 22. Dezember 2008 1 / 21 Online-Materialien Die Materialien
Mehr3 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
MehrStatistik 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
MehrFachrechnen 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:
Mehrbenötigen. Die Zeit wird dabei in Minuten angegeben und in einem Boxplot-Diagramm veranschaulicht.
, D 1 Kreuze die richtige Aussage an und stelle die anderen Aussagen richtig. A Das arithmetische Mittel kennzeichnet den mittleren Wert einer geordneten Datenliste. B Die Varianz erhält man, wenn man
MehrDeskriptive Statistik Erläuterungen
Grundlagen der Wirtschaftsmathematik und Statistik Erläuterungen Lernmaterial zum Modul - 40601 - der Fernuniversität Hagen 7 2.1 Einfache Lageparameter aus einer gegebenen Messreihe ablesen Erklärung
MehrBitte am PC mit Windows anmelden!
Einführung in SPSS Plan für heute: Grundlagen/ Vorwissen für SPSS Vergleich der Übungsaufgaben Einführung in SPSS http://weknowmemes.com/generator/uploads/generated/g1374774654830726655.jpg Standardnormalverteilung
MehrInhaltsverzeichnis Grundlagen aufigkeitsverteilungen Maßzahlen und Grafiken f ur eindimensionale Merkmale
1. Grundlagen... 1 1.1 Grundgesamtheit und Untersuchungseinheit................ 1 1.2 Merkmal oder statistische Variable........................ 2 1.3 Datenerhebung.........................................
MehrDeskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
Mehr1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte. D. Horstmann: Oktober
1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte D. Horstmann: Oktober 2014 4 Graphische Darstellung von Daten und unterschiedliche Mittelwerte Eine Umfrage nach der Körpergröße
MehrLösung 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=
MehrHäufigkeitsverteilungen und Statistische Maßzahlen. Häufigkeitsverteilungen und Statistische Maßzahlen. Variablentypen. Stichprobe und Grundgesamtheit
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Häufigkeitsverteilungen und Statistische Maßzahlen Statistik SS Variablentypen Qualitative
MehrBeispiel 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
MehrDeskriptive Statistik Kapitel VI - Lage- und Streuungsparameter
Deskriptive Statistik Kapitel VI - Lage- und Streuungsparameter Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter, hoechstoetter@statistik.uni-karlsruhe.de Agenda 1. Ziele 2. Lageparameter 3.
Mehr3 Lage- und Streuungsmaße
3 Lage- und Streuungsmaße 3.0 Kumulierte Häufigkeiten und empirische Verteilungsfunktion Grafische Darstellungen geben einen allgemeinen Eindruck der Verteilung eines Merkmals: Lage und Zentrum der Daten,
MehrLage- 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
Mehr5 Exkurs: Deskriptive Statistik
5 EXKURS: DESKRIPTIVE STATISTIK 6 5 Ekurs: Deskriptive Statistik Wir wollen zuletzt noch kurz auf die deskriptive Statistik eingehen. In der Statistik betrachtet man für eine natürliche Zahl n N eine Stichprobe
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 03 Hochschule Augsburg : Gliederung Einführung Deskriptive Statistik 3 Wahrscheinlichkeitstheorie
MehrAnteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen. Anteile Häufigkeiten Verteilungen
DAS THEMA: VERTEILUNGEN LAGEMAßE - STREUUUNGSMAßE Anteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen Anteile Häufigkeiten Verteilungen Anteile und Häufigkeiten Darstellung
MehrDie erhobenen Daten werden zunächst in einer Urliste angeschrieben. Daraus ermittelt man:
Die erhobenen Daten werden zunächst in einer Urliste angeschrieben. Daraus ermittelt man: a) Die absoluten Häufigkeit: Sie gibt an, wie oft ein Variablenwert vorkommt b) Die relative Häufigkeit: Sie erhält
MehrStreuungsmaße von Stichproben
Streuungsmaße von Stichproben S P A N N W E I T E, V A R I A N Z, S T A N D A R D A B W E I C H U N G, Q U A R T I L E, K O V A R I A N Z, K O R R E L A T I O N S K O E F F I Z I E N T Zentrale Methodenlehre,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Oktober 2010 1 empirische Verteilung 2 Lageparameter Modalwert Arithmetisches Mittel Median 3 Streuungsparameter
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrMathematische Statistik. Zur Notation
Mathematische Statistik dient dazu, anhand von Stichproben Informationen zu gewinnen. Während die Wahrscheinlichkeitsrechnung Prognosen über das Eintreten zufälliger (zukünftiger) Ereignisse macht, werden
Mehr2. Deskriptive Statistik
Philipps-Universitat Marburg 2.1 Stichproben und Datentypen Untersuchungseinheiten: mogliche, statistisch zu erfassende Einheiten je Untersuchungseinheit: ein oder mehrere Merkmale oder Variablen beobachten
MehrI.V. Methoden 2: Deskriptive Statistik WiSe 02/03
I.V. Methoden 2: Deskriptive Statistik WiSe 02/03 Vorlesung am 04.11.2002 Figures won t lie, but liars will figure. General Charles H.Grosvenor Dr. Wolfgang Langer Institut für Soziologie Martin-Luther-Universität
MehrÜbungsblatt 3 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker
Übungsblatt 3 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker 08.11.01 Modell Temperatur unter Last Anschluss in Grad Celsius in Grad Fahrenheit Corsair Force 10
Mehr4 Spezifizierende Beschreibung empirischer Verteilungen
4 Spezifizierende Beschreibung empirischer Verteilungen 55 4 Spezifizierende Beschreibung empirischer Verteilungen 4.1 Spezifika empirischer Verteilungen 59 4.2 Lagekennwerte 63 4.2.1 Arithmetisches Mittel
MehrUnivariate 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
Mehr1. Maße der zentralen Tendenz Beispiel: Variable Anzahl der Geschwister aus Jugend '92. Valid Cum Value Frequency Percent Percent Percent
Deskriptive Statistik 1. Verteilungsformen symmetrisch/asymmetrisch unimodal(eingipflig) / bimodal (zweigipflig schmalgipflig / breitgipflig linkssteil / rechtssteil U-förmig / abfallend Statistische Kennwerte
MehrLagemaße 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
Mehr3.2 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
MehrInhaltsverzeichnis. 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
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
Mehr1 Beschreibende Statistik
1 1 Beschreibende Statistik In der beschreibenden Statistik geht es darum, grosse und unübersichtliche Datenmengen so aufzubereiten, dass wenige aussagekräftige Kenngrössen und Graphiken entstehen. 1.1
MehrDer Mittelwert (arithmetisches Mittel)
Der Mittelwert (arithmetisches Mittel) x = 1 n n x i bekanntestes Lagemaß instabil gegen extreme Werte geeignet für intervallskalierte Daten Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut
MehrPROC MEANS. zum Berechnen statistischer Maßzahlen (für quantitative Merkmale)
PROC MEAS zum Berechnen statistischer Maßzahlen (für quantitative Merkmale) Allgemeine Form: PROC MEAS DATA=name Optionen ; VAR variablenliste ; CLASS vergleichsvariable ; Beispiel und Beschreibung der
MehrStatistik 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
MehrStreuungsmaße Worum geht es in diesem Modul? Allgemeines zu Streuungsmaßzahlen Spannweite und Interquartilsabstand
Streuungsmaße Worum geht es in diesem Modul? Allgemeines zu Streuungsmaßzahlen Spannweite und Interquartilsabstand Berechnung der mittleren quadratischen Abweichung und der Varianz aus einer Urliste Standardabweichung
Mehr3. Lektion: Deskriptive Statistik
Seite 1 von 5 3. Lektion: Deskriptive Statistik Ziel dieser Lektion: Du kennst die verschiedenen Methoden der deskriptiven Statistik und weißt, welche davon für Deine Daten passen. Inhalt: 3.1 Deskriptive
MehrDeskriptivstatistik a) Univariate Statistik Weiters zum Thema der statistischen Informationsverdichtung
20 Weiters zum Thema der statistischen Informationsverdichtung M a ß z a h l e n Statistiken bei Stichproben Parameter bei Grundgesamtheiten Maßzahlen zur Beschreibung univariater Verteilungen Maßzahlen
Mehrabsolute Häufigkeit h: Anzahl einer bestimmten Note relative Häufigkeit r: Anzahl einer bestimmten Note, gemessen an der Gesamtzahl der Noten
Statistik Eine Aufgabe der Statistik ist es, Datenmengen zusammenzufassen und darzustellen. Man verwendet dazu bestimmte Kennzahlen und wertet Stichproben aus, um zu Aussagen bzw. Prognosen über die Gesamtheit
MehrDeskriptive Statistik Aufgaben und Lösungen
Grundlagen der Wirtschaftsmathematik und Statistik Aufgaben und en Lernmaterial zum Modul - 40601 - der Fernuniversität Hagen Inhaltsverzeichnis 1 Daten und Meßskalen 5 1.1 Konkrete Beispiele...................................
MehrInhaltsverzeichnis. 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
Mehr1 Beschreibende Statistik
1 1 Beschreibende Statistik In der beschreibenden Statistik geht es darum, grosse und unübersichtliche Datenmengen so aufzubereiten, dass wenige aussagekräftige Kenngrössen und Graphiken entstehen. 1.1
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
Mehr1,11 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
MehrVerteilungsfunktion und Quantile
Statistik 1 für SoziologInnen Verteilungsfunktion und Quantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit das Kumulieren inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal
MehrLagemaße Worum geht es in diesem Modul? Allgemeines zu Lagemaßzahlen Arithmetisches Mittel aus einer Urliste
Lagemaße Worum geht es in diesem Modul? Allgemeines zu Lagemaßzahlen Arithmetisches Mittel aus einer Urliste Berechnung des arithmetischen Mittels aus Häufigkeitstabellen Weitere Lagemaße Worum geht es
MehrHarry Potter und die Kammer des Schreckens : m, s, g, a, a, a, sg, g, a, g, m, m, g, g, sg, s, a, a, a, g, a, a, g, g, a
Aufgabe 1: Harry Potters Filmkritik 25 Schüler und Schülerinnen der Klasse 9 sollten die ersten beiden Harry-Potter- Filme mit ausgezeichnet (a), sehr gut (sg), gut (g), mittelprächtig (m), schlecht (s)
MehrGrundlagen der Statistik I
NWB-Studienbücher Wirtschaftswissenschaften Grundlagen der Statistik I Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 10. Auflage Verlag Neue Wirtschafts-Briefe Herne/Berlin Inhaltsverzeichnis
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 07052013 Mittelwerte und Lagemaße II 1 Anwendung und Berechnung
MehrGraphische Darstellung einer univariaten Verteilung:
Graphische Darstellung einer univariaten Verteilung: Die graphische Darstellung einer univariaten Verteilung hängt von dem Messniveau der Variablen ab. Bei einer graphischen Darstellung wird die Häufigkeit
MehrBeispiel 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
MehrVerteilungsfunktion und Quantile
Statistik 1 für SoziologInnen Verteilungsfunktion und Quantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit das Kumulieren inhaltlich sinnvoll ist, muss das auszuwertende Merkmal
MehrGrundlagen der empirischen Sozialforschung
Grundlagen der empirischen Sozialforschung Sitzung 11 - Datenanalyseverfahren Jan Finsel Lehrstuhl für empirische Sozialforschung Prof. Dr. Petra Stein 5. Januar 2009 1 / 22 Online-Materialien Die Materialien
MehrDeskriptive Statistik II. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Deskriptive Statistik II Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Übersicht Wiederholung Maße der zentralen Tendenz Streuungsmaße Zusammenfassung einer Verteilung tabellarisch
MehrDas harmonische Mittel
Das harmonische Mittel x H := 1 1 n n 1 x i Das harmonische Mittel entspricht dem Mittel durch Transformation t 1 t Beispiel: x 1,..., x n Geschwindigkeiten, mit denen konstante Wegstrecken l zurückgelegt
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 1 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen
MehrW-Rechnung und Statistik für Ingenieure Übung 4
W-Rechnung und Statistik für Ingenieure Übung 4 Aufgabe 1 : Zementdaten Lösung in R: Lade den Datensatz SETTING.DAT: Die erste Spalte von setting gibt die prozentualen Anteile von a wieder, die Zweite
MehrStatistik 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,
MehrVerteilungsfunktion 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
MehrVorlesungsskript. Deskriptive Statistik. Prof. Dr. Günter Hellmig
Vorlesungsskript Deskriptive Statistik Prof. Dr. Günter Hellmig Prof. Dr. Günter Hellmig Vorlesungsskript Deskriptive Statistik Erstes Kapitel Die Feingliederung des ersten Kapitels, welches sich mit einigen
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG Markus.Schumacher@physik.uni-freiburg.de
MehrKorrelation, Regression und Signifikanz
Professur Forschungsmethodik und Evaluation in der Psychologie Übung Methodenlehre I, und Daten einlesen in SPSS Datei Textdaten lesen... https://d3njjcbhbojbot.cloudfront.net/api/utilities/v1/imageproxy/https://d15cw65ipcts
MehrMedian 2. Modus < Median < Mittelwert. Mittelwert < Median < Modus. 2 Modalwerte oder Modus viel größer bzw. viel kleiner als Mittelwert
Universität Flensburg Zentrum für Methodenlehre Tutorium Statistik I Modus oder Modalwert (D) : - Geeignet für nominalskalierte Daten - Wert der häufigsten Merkmalsausprägung - Es kann mehrere Modalwerte
MehrKapitel VII - Konzentration von Merkmalswerten
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VII - Konzentration von Merkmalswerten Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrStatistik für Technische Assistenten in der Medizin
Statistik für Technische Assistenten in der Medizin Wolfgang Sans Lehrstuhl für Mathematik VIII University of Würzburg Einführung Statistik begegnet uns überall (fast) jeden Tag! Beispiele: Statistik?
MehrEs können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
MehrLösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 2013)
Lösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 203) Aufgabe (9 Punkte) Ein metrisches Merkmal X sei in einer Grundgesamtheit vom Umfang n = 200 diskret klassiert.
MehrMerkmalstypen Univ.-Prof. Dr. rer. nat. et med. habil. Andreas Faldum
1 Merkmalstypen Quantitativ: Geordnete Werte, Vielfache einer Einheit Stetig: Prinzipiell sind alle Zwischenwerte beobachtbar Beispiele: Gewicht, Größe, Blutdruck Diskret: Nicht alle Zwischenwerte sind
MehrHerzlich 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
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
Mehr