Statistische Methoden MMST-1 Beschreibung der Stichprobe
|
|
- Käte Hartmann
- vor 6 Jahren
- Abrufe
Transkript
1 Fak. Elektrotechnik & Informationstechnik Institut für Automatisierungstechnik Professur für Prozessleittechnik Statistische Methoden MMST-1 Beschreibung der Stichprobe VL MMS Wintersemester 2011 Professur für Prozessleittechnik L. Urbas, J. Ziegler
2 Evaluation mittels Stichprobe Beschreibende Statistik Stichprobenziehung Inferenzstatistischer Schluss Population Stichprobenmitglieder MMST (c) Urbas
3 Übersicht deskriptive Statistik Typen von Messgrößen, Skalenniveaus Nominal, Ordinal, Reell (Interval,Verhältnis,Absolut) Tabellarische & grafische Analyse Häufigkeitsverteilung diskreter Daten Empirische Verteilungsfunktion Klassifizierung/Kategorisierung stetiger Daten Verteilungsmaße zentrale Tendenz, Streuung, Schiefe Standardisierung Z-Standardisierung, Standardisierte Mittelwertsdifferenz Korrelation zweier intervallskalierter Merkmale MMST (c) Urbas
4 Rechenbeispiele in R R is a system for statistical computation and graphics. It consists of a language plus a run-time environment with graphics, a debugger, access to certain system functions, and the ability to run programs stored in script files. R has a home page at It is free software distributed under a GNU-style copyleft, and an official part of the GNU project ( GNU S ) MMST (c) Urbas
5 Einführung Messreihe (Stichprobe, Datensatz) X 1, X 2,, X n n: Stichprobenumfang Beschreibende Statistik: Übersichtliche Darstellung von Eigenschaften der Messreihe Explorative Statistik: Auffinden von unbekannten Strukturen der Messreihe MMST (c) Urbas
6 Fak. Elektrotechnik & Informationstechnik Institut für Automatisierungstechnik Professur für Prozessleittechnik Typen von Messgrößen / Skalen MMST (c) Urbas
7 Typen von Messgrößen (Skalen) Anzahl der auftretenden Ausprägungen x i Endlich oder abzählbar unendlich: diskret Alle Werte x eines Intervalls: stetig Struktur des Wertebereichs Abstandbegriff vorhanden? Ordnungsbegriff vorhanden? Abstand? Ordnung? Beispiel Reell Ja Ja Temperatur [K] Ordinal Nein Ja Schulnote 1..6 Zirkulär Ja Nein Uhrzeit Nominal Nein Nein Studiengang MMST (c) Urbas
8 Reelle Messgrößen Intervallskala Nullpunkt & Maßeinheit nicht eindeutig festgelegt Lineartransformation zwischen Intervallskalen: Beispiele: Temperatur in Celsius/Fahrenheit, Kalenderzeit Verhältnisskala Fester Nullpunkt Proportionale Transformation zw. Verhältnissk.: Beispiele: Absolutskala Länge, Masse, Dauer, Winkel, Preise, Temperatur in K y = b + 0 b1 x Einheit festgelegt: Häufigkeit, Anzahl Personen/Hörsaal 1 ; 1 > y = b x b MMST (c) Urbas
9 Fak. Elektrotechnik & Informationstechnik Institut für Automatisierungstechnik Professur für Prozessleittechnik Tabellarische & grafische Analyse MMST (c) Urbas
10 Häufigkeitsverteilung diskreter Daten Beispiel: Beobachtung eines Operators über 14 Tage Aufzeichnung der Fehler/Tag Urliste Häufigkeitstabelle Urliste Beobachtungstag x i Anzahl Fehler Nummerische Häufigkeitstabelle Kummulierte absolute Häufigkeit N i MMST (c) Urbas Kummulierte relative Häufigkeit F i Anzahl Fehler x i Anzahl Tage n(x i )=n i Anteil der Tage h(x i )=h i 0 3 0,21 3 0, ,29 7 0, , , , , , ,00 Summe 14 1
11 Häufigkeit der Merkmalsausprägung Stab/Balkendiagramm n i n i x i x i MMST (c) Urbas
12 Empirische Verteilungsfunktion Kummulierte relative Häufigkeit / relative Summenhäufigkeit Empirische Verteilungsfkt. Fn(x) ecdf(x) x MMST (c) Urbas
13 R: Häufigkeitstabelle, H.verteilung, empirische Verteilungsfkt. Was tun, wenn eine realisierbare Merkmalsausprägung nicht in den beobachteten vorkommt? MMST (c) Urbas
14 Häufigkeitsverteilung stetiger, mindestens intervallskalierter Merkmale Häufigkeitstabelle Aufteilung in k disjunkte Klassen n Tabellieren: Anzahl der Punkte der Messreihe, die in einer Klasse liegen Beispiel: Verkehrstote in UK MMST (c) Urbas
15 Verteilungsarten Symetrie Symetrisch (Körpergröße) Asymetrisch (Einkommen) Modalität unimodal (Einkommen BRD) bimodal (Einkommen in Stadt mit Armenviertel) multimodal Breite Schmalgipflig (Laufzeiten Profis) Breitgipflig (Laufzeiten untrainierte Personen) Schiefe linkssteil(rechtsschief) : Streckenlänge mit Auto, Bier/PartyTN rechtssteil(linksschief): Frage: WS dass GER gg. AUS gewinnt? MMST (c) Urbas
16 Fak. Elektrotechnik & Informationstechnik Institut für Automatisierungstechnik Professur für Prozessleittechnik Verteilungskennwerte MMST (c) Urbas
17 Verteilungskennwerte Kennzahlen sind häufig prägnanter als Grafiken Vergleich von Verteilungen zweier Stichproben mit dem Ziel statistische Entscheidungen zu treffen: Zeigen zwei Gruppen (z.b. mit altem/neuem UI) im Durchschnitt unterschiedliche Ausprägungen in einem abhängigen Merkmal (z.b. Leistung)? Maße der zentralen Tendenz (Mittelwerte) Zentrum einer Verteilung Maße der Streuung (Dispersion) Ausmaß an Unterschiedlichkeit in einer Verteilung Maße der Schiefe Symetrie der Verteilung MMST (c) Urbas
18 Maße für die zentrale Tendenz (1/2) Modus / Modalwert Merkmalsausprägung x i, die am häufigsten gemessen wird Wenig aussagekräftig bei multimodalen Verteilungen, Bereits für nominalskalierte Merkmale sinnvoll Median (50%-Wert, Zentralwert) Der Wert x i für den gilt, dass 50% aller Werte größer und 50% kleiner sind N ungerade: ((N+1)/2)-ter Wert der geordneten Reihe mod N ungerade : arith. Mittel (N/2)-ter, ((N+2)/2)-ter Mindestens ordinalskalierte Merkmale x = arg max h( x) x x i MMST (c) Urbas
19 Maße für die zentrale Tendenz (2/2) Arithmetisches Mittel ( Durchschnitt ) x = 1 n i= 1 Mindestens intervallskalierte Messwerte Eigenschaften n x i Summe der Abweichungen der Messwerte vom MW = 0 Summe der quadrierten Abweichungen = min Lineare Transformation der Einzelwerte führt zu gleicher Trafo bei arithm. Mittel MMST (c) Urbas
20 Beispiel: Fehler / Tag R hat keine Modus-Funktion selbst definieren modus(x) : 2 median(x) : 1.5 mean(x) : MMST (c) Urbas
21 Arithm. Mittel NICHT bei ordinalskalierten Daten einsetzen! Wie würden Sie die Fachkompetenz der folgenden Politiker einschätzen? 1=sehr niedrig, 2=eher hoch, 3=hoch, 4=sehr hoch Politiker PA PB mean(pa): 2.06, mean(pb): 2.03 Für beide zwischen eher hoch und hoch, obwohl PAs Fachkompetenz von mehr als der Hälfte der Befragten als sehr niedrig eingeschätzt wurde median(pa): 1, median(pb): MMST (c) Urbas
22 Arithm. Mittel und Ausreisser Beispiel: Monatliches Budget von 30 Studenten 29 mit Finanzbudget zwischen EUR, Mittelwert ~ 550 EUR Ein Student mit 5000 EUR Mittelwert über alle: 700 EUR Optimale Repräsentation nach Kriterium der kleinsten Quadrate, zur Schätzung der Einzelwerte jedoch nahezu nutzlos 29 Personen überschätzt, 1 Person drastisch unterschätzt Bessere Repräsentation durch Median Unbeeinflusst von Ausreißer! MMST (c) Urbas
23 Beschreibung der Streuung (1/2) mindestens ordinalskaliert Spannweite (Range) Informationsverlust bei Ausreissern Quartilabstand (Interquartilbereich) Q dif = Q 3 -Q 1 =P 75 -P 25 Box-and-Whisker-Plot Kombination Median, Interquartilbereich, Range Ausreißer: z.b. mehr als eine Box-Breite außerhalb Box (je nach Library) MMST (c) Urbas
24 Beschreibung der Streuung (1/2) mindestens intervallskaliert Mittlere absolute Abweichung x n MAD = ( x i x ) n i= 1 Stichprobenvarianz (mittl. quadratische Abweichung) s 2 = 1 n Streuung (Standardabweichung) 1 n i= 1 ( x i x) 2 s = 2 s MMST (c) Urbas
25 Beschreibung der Streuung (2/2) mindestens intervallskaliert Stichprobenvarianz s 2 = 1 n n i= 1 ( x i x) Schätzung der Varianz der Population aufgrund einer Stichprobe des Umfangs n 1 2 n 2 2 ˆ 2 σ = ( x i x) n 2 ˆ σ = s n 1 i= 1 n MMST (c) Urbas
26 Interpretation Beispiel Arithmetisches Mittel der Teilnehmer MMST: 176 cm Mittlere durchschnittliche Abweichung: 9 cm Aufgabe: Schätze im voraus die Größe des nächsten Seminarteilnehmers der den Raum betritt: 176 cm: beste Prognose nach Kriterium kleinster Fehlerquadrate! Interpretation MAD: Wir liegen fast immer falsch: Im Durchschnitt werden wir uns um 9cm verschätzen Streuung: Abweichung wird mit sich selbst gewichtet! Maß für Unterschiedlichkeit der Werte der Stichprobe MMST (c) Urbas
27 Fak. Elektrotechnik & Informationstechnik Institut für Automatisierungstechnik Professur für Prozessleittechnik Standardisierung MMST (c) Urbas
28 Vergleich verschiedener Merkmale Beispiel: Stichprobe Äpfel: x A =150g, s A =10g Stichprobe Birnen: x B =180g, s B =10g Common Sense: Ein Apfel mit 160g ist ein relativ schwerer Apfel Eine Birne mit 170g ist eine relative leichte Birne Standardisierung? MMST (c) Urbas
29 Z-Standardisierung Z-Wert: Wie viele Standardabweichungen und in welche Richtung weicht ein Messwert xi vom arithmetischen Mittel ab Lineartransformation: z i = 1 s x i x s = x x s Form der Verteilung wird nicht verändert! Für z gilt: mean(z): 0, sd(z)=1 i 1 x z = x = 0 s( z) = 1 s = 1 s s s MMST (c) Urbas
30 Standardisierte Mittelwertsdifferenz d Aufgabe: Vergleich von Mittelwertsdifferenzen aus unterschiedlichen Untersuchungen Effektstärke d Um wieviele Standardabweichungen unterscheiden sich zwei Mittelwerte? d = x A x B σ pooled Gepoolte Standardabweichung σ pooled = ( n 2 1) ˆ σ A + ( n ( n 1) + ( n A A 2 1) ˆ σ B 1) MMST (c) Urbas B B
31 Beispiel Fragestellung Unterscheiden sich ältere Nutzer (Stichprobe A) hinsichtlich ihrer Interaktion mit mobilen Geräten von jungen Nutzern (Stichprobe B). Gruppe ØAlter x σ² N A B Klas sifikation von Cohen (1988) d ~ 0.2: schwacher Effekt d ~ 0.5: mittlerer Effekt d ~ 0.8: starker Effekt MMST (c) Urbas
32 Schiefe einer Verteilung Differenz arithm. Mittel Median dif = x x med dif > 0: tendenziell linkssteil/rechtsschief dif < 0: tendenziell rechtssteil/linksschief dif ~ 0: tendenziell symetrisch Schiefe a = 1 n n i= 1 ( xi x) s( x) MMST (c) Urbas
33 Fak. Elektrotechnik & Informationstechnik Institut für Automatisierungstechnik Professur für Prozessleittechnik Lineare Korrelations- und Regresssionsanalyse MMST (c) Urbas
34 Zusammenhangssaussagen MMST-Fragen lassen sich häufig als Zusammenhangssaussagen (wenn dann, je desto) formulieren Beispiel 1: Mobile Interaktion ist für Kontext Instandhaltung sinnvoll Wenn ein mobiles Gerät genutzt wird, dann werden weniger Fehler gemacht Merkmal A: Mobiles Gerät vs. kein Mobiles Gerät Merkmal B: Anzahl Fehler Wenn ein bestimmtes mobiles Gerät genutzt wird, dann werden deutlich weniger Fehler gemacht Merkmal A: verschiedene mobile Geräte Merkmal B: Anzahl Fehler MMST (c) Urbas
35 Zusammenhangssaussagen Beispiel 2: Selbstwirksamkeitsüberzeugung korreliert mit Lerngeschwindigkeit Je höher die Selbstwirksamkeitsüberzeugung, desto schneller werden wenige bis keine Fehler gemacht Merkmal A: Selbstwirksamkeitsüberzeugung Merkmal B: Lerngeschwindigkeit In allen Beispielen werden Merkmale in Beziehung gesetzt Beispiel 1: nominal <-> intervall (nächste VL) Beispiel 2: intervall <-> intervall MMST (c) Urbas
36 Analysearten: Mittelwertvergleich: Unterscheiden sich Gruppen hinsichtlich der durchschnittlichen Ausprägung eines Merkmals? Zusammenhangsanalyse (Korrelationsanalyse): Gehen hohe/niedrige Werte in einem Merkmal mit hohen/niedrigen Werten eines anderen Merkmals einher? Regressionsanalyse: Wie lässt sich ein Merkmal X aus einem korrelierten Merkmal Y am besten vorhersagen? Welche Transformation der x-werte führt zu einer möglichst präzise Schätzung der y-werte? MMST (c) Urbas
37 Streudiagramm DriversK drivers front rear kms PetrolPr VanKille law MMST (c) Urbas
38 Korrelationsrechnung Gesucht: Maß für Stärke eines linearen Zusammenhangs zwischen zwei Größen: Wie stark spiegeln sich Veränderungen in einem Merkmal in einem anderen wider? Ansätze: ( Fechners Korrelationsindex r F ) Kovarianz (zentrales Produktmoment) COV Pearsons Produkt-Moment-Korrelation r MMST (c) Urbas
39 Fechners Korrelationsindex F Einfaches und anschauliches Maß Abweichungsprodukt awp: awp k = Anzahl der Objekte mit awp >0 d = Anzahl der Objekte mit awp <0 Interpretation: i = ( xi x)( yi y) = xi yi F =-1 Nur gegengerichtete Objekte F =0 Gleich/gegengerichtet gleich häufig F =1 Nur gleichgerichtete Objekte Δy r F d k = n n k k + Δx n n d d d k MMST (c) Urbas
40 (Stichproben)Kovarianz Berücksichtigt auch Stärke der Abweichung vom Mittelwert pro Objekt: COV ( x, y) n n 1 1 = sxy = i i n i= 1 n i= 1 ( x x)( y y) = x y x y COV(x,y)<0 negativer linearer Zusammenhang COV(x,y)~0 Kein Zusammenhang COV(x,y)>0 positiver linearer Zusammenhang Wertebereich Kovarianz (Schwarz sche Ungleichung) [ COV ( x, y) ] sxsy sxsy sxy sxsy i i MMST (c) Urbas
41 COV variant ggü. Lineartranformation! COV ist kein eindeutiges Zusammenhangsmaß (z.b. Änderung Maßeinheit) Beispiel: Gewicht (X) in kg, Größe in m COV(x,y) : Größe in cm COV(x,y) : 102,67 Allgemein: p=b 01 +b 11 x; q=b 01 +b 12 y COV(p,q)=b 11 b 12 COV(x,y) data$gewicht data$größe MMST (c) Urbas
42 Pearsons Produkt-Moment-Korrelation r Standardisierung durch Produkt der Streuungen r = COV ( x, s x s y y) Invariant ggü. Lineartransformation Wertebereich r = -1 : perfekt negativ linearer Zusammenhang r ~ 0 : kein linearer Zusammenhang (X,Y müssen dennoch nicht unabhängig sein!) r =+1 : perfekt positiv linearer Zusammenhang MMST (c) Urbas
43 Effektstärke r Cohen (1988) gibt grobe Orientierung: r ~.1 : schacher Effekt r ~.3 : mittlerer Effekt r ~.5 : starker Effekt Vorsicht: Güte der Korrelation Stärke/Effekt Bewerberauswahl Sei Korrelation Bewerbungsgespräch/Berufseignung:.1 Alternative mit Korrelation.3 wäre sehr gut Pünktlichkeit von Zügen Korrelation Ankunftszeit/Fahrplan.99 kann sehr schlecht sein (Beispiel: ) MMST (c) Urbas
44 Lineare Regressionsanalyse X ist bekannt (Prädiktor) Y soll möglichst präzise geschätzt werden (Kriterium) Einfache lineare Regressionsanalyse Nur sinnvoll wenn X und Y korreliert sind Es soll lineare Funktion gefunden werden, die Zusammenhang zwischen X und Y optimal beschreibt yˆ i = b0 + b1 x i Methode der kleinsten Quadrate: QS Fehler ( b 0, b 1 ) = n i= ( y yˆ ) = ( y ( b + b x )) = min i MMST (c) Urbas i n i= 1 i 0 1 i!
45 Optimale Schätzung Regressionsgleichung nach Kriterium der kleinsten Quadrate liefert optimale Schätzung wenn: COV( x, y) VAR( x) yˆ i = b0 + b1 xi = y x + COV( x, y) VAR( x) x i MMST (c) Urbas
46 Abschließende Hinweise Ergebnisse der hier berichteten Verfahren haben nur Gültigkeit für die Stichprobe Beispiel: Experiment mit 10 Pbd UV: Gestaltungsalternative, AV: Leistung, r=0.3 Falsch: Gestaltung und Leistung korrelieren zu r =.3 Richtig: In dieser Untersuchung mit diesen Probanden korrelieren Gestaltung und Leistung zu r =.3 a. Wert für r wird sich in einer beliebigen anderen Gruppe nie wieder zeigen b. Wert kann in anderer Gruppe auch höher sein MMST (c) Urbas
47 Literaturhinweise Einführung in die Statistik Wirtz, M., Nachtigall, Ch. (2006). Weinheim.. Juventa, Bortz, J., Döring, N. (2006).. Springer, Berlin. Einführung R Dalgaard, P. (2008, 2nd. Ed).. Springer, Berlin. Adler, J. (2009). Weiterführendes Material. O Reilly, Sebastopol(CA). Cohen, J. (1992). A power primer., 112, MMST (c) Urbas
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
MehrDeskriptive 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)
MehrAuswertung 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
MehrTeil 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
MehrDeskriptive Statistik
Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung Die Messung Skalenniveaus 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Grundbegriffe Statistische Einheit,
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
MehrStatistik 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
Mehr1 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
Mehra) 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
MehrWillkommen 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
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrEinseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur.
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Analyse und modellhafte
MehrGrundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel
Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrStandardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen. Standardisierung von Daten
DAS THEMA: TABELLEN UND ABBILDUNGEN Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen Standardisierung von Daten z-standardisierung Standardnormalverteilung 1 DIE Z-STANDARDISIERUNG
MehrDatenanalyse mit Excel. Wintersemester 2013/14
Datenanalyse mit Excel 1 KORRELATIONRECHNUNG 2 Korrelationsrechnung Ziel der Korrelationsrechnung besteht im bivariaten Fall darin, die Stärke des Zusammenhangs zwischen zwei interessierenden statistischen
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrGrundbegriffe (1) Grundbegriffe (2)
Grundbegriffe (1) S.1 Äquivalenzklasse Unter einer Äquivalenzklasse versteht man eine Klasse von Objekten, die man hinsichtlich bestimmter Merkmalsausprägungen als gleich (äquivalent) betrachtet. (z.b.
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrFlorian Frötscher und Demet Özçetin
Statistische Tests in der Mehrsprachigkeitsforschung Aufgaben, Anforderungen, Probleme. Florian Frötscher und Demet Özçetin florian.froetscher@uni-hamburg.de SFB 538 Mehrsprachigkeit Max-Brauer-Allee 60
Mehr2. 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
MehrEinfache 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
MehrSFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015
SFB 833 Bedeutungskonstitution Kompaktkurs Datenanalyse Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 Messen und Skalen Relativ (Relationensystem): Menge A von Objekten und eine oder mehrere Relationen
Mehr1. Einführung und statistische Grundbegriffe. Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik:
. Einführung und statistische Grundbegriffe Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik: Quantitative Information Graphische oder tabellarische Darstellung von Datenmaterial
MehrMedizinische 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,
Mehr4. 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
MehrKlausur 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
MehrEine computergestützte Einführung mit
Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik
MehrVorlesung: Statistik für Kommunikationswissenschaftler
Vorlesung: Statistik für Kommunikationswissenschaftler Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München WiSe 2009/2010 Übungen zur Veranstaltung Mittwoch: 14.15-15.45 HG DZ007 Cornelia Oberhauser
MehrEinführung in die Statistik mir R
Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens
Mehr- Beschreibung der Stichprobe(n-Häufigkeitsverteilung) <- Ermittlung deskriptiver Maßzahlen (Mittelungsmaße, Variationsmaße, Formparameter)
Mehr
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
MehrE ektgrößen Metaanalysen. Zusammenhänge und Unterschiede quantifizieren E ektgrößen
DAS THEMA: EFFEKTGRÖßEN UND METAANALYSE E ektgrößen Metaanalysen Zusammenhänge und Unterschiede quantifizieren E ektgrößen Was ist ein E ekt? Was sind E ektgrößen? Berechnung von E ektgrößen Interpretation
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrBeschreibende Statistik Daten darstellen und charakterisieren
Beschreibende Statistik Daten darstellen und charakterisieren Roland Heynkes 1. April 2006, Aachen Die beschreibende (descriptive) Statistik versucht, große und unübersichtliche, experimentell sowie durch
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrStatistische Datenauswertung. Andreas Stoll Kantonsschule Olten
Statistische Datenauswertung Andreas Stoll Beschreibende vs. schliessende Statistik Wir unterscheiden grundsätzlich zwischen beschreibender (deskriptiver) und schliessender (induktiver) Statistik. Bei
MehrKapitel 13 Häufigkeitstabellen
Kapitel 13 Häufigkeitstabellen Die gesammelten und erfaßten Daten erscheinen in der Datendatei zunächst als unübersichtliche Liste von Werten. In dieser Form sind die Daten jedoch wenig aussagekräftig
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
MehrGrundlagen der Datenanalyse am Beispiel von SPSS
Grundlagen der Datenanalyse am Beispiel von SPSS Einführung Dipl. - Psych. Fabian Hölzenbein hoelzenbein@psychologie.uni-freiburg.de Einführung Organisatorisches Was ist Empirie? Was ist Statistik? Dateneingabe
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
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
MehrRegressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )
Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels
Mehr5 Statistik in der Psychologie
5 Statistik in der Psychologie Für Anfänger in der Psychologie ist es nicht unbedingt einsichtig, warum man sich überhaupt statistische Kompetenzen in einer Sozialwissenschaft aneignen muss, wo es doch
MehrFachhochschule 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
MehrFelix 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
MehrHerzlich Willkommen zur Vorlesung Statistik
Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
Mehr6Korrelationsanalyse:Zusammenhangsanalysestetiger Merkmale
6Korrelationsanalyse:Zusammenhangsanalysestetiger Merkmale 6.1 Korrelationsanalyse 6.1 Korrelationsanalyse Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig
MehrDer Internetdienst für Ihre Online-Umfragen. Leitfaden statistische Auswertung
Der Internetdienst für Ihre Online-Umfragen Leitfaden statistische Auswertung Weitere in dieser Reihe bei 2ask erschienene Leitfäden Allgemeiner Leitfaden zur Fragebogenerstellung Sie möchten einen Fragebogen
MehrMethoden Quantitative Datenanalyse
Leitfaden Universität Zürich ISEK - Andreasstrasse 15 CH-8050 Zürich Telefon +41 44 635 22 11 Telefax +41 44 635 22 19 www.isek.uzh.ch 11. September 2014 Methoden Quantitative Datenanalyse Vorbereitung
Mehr3 Zusammenhangsmaße Zusammenhangshypothesen
3 Zusammenhangsmaße Zusammenhangshypothesen Zusammenhänge (zwischen 2 Variablen) misst man mittels Korrelationen. Die Wahl der Korrelation hängt ab von: a) Skalenniveau der beiden Variablen: 1) intervallskaliert
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
MehrMethoden der empirischen Sozialforschung I
Methoden der empirischen Sozialforschung I Annelies Blom, PhD TU Kaiserslautern Wintersemester 2011/12 Übersicht Quantitative Datenauswertung: deskriptive und induktive Statistik Wiederholung: Die wichtigsten
MehrElisabeth Raab-Steiner/Michael Benesch. Der Fragebogen. Von der Forschungsidee zur SPSS/PASW-Auswertung. 2., aktualisierte Auflage. facultas.
Elisabeth Raab-Steiner/Michael Benesch Der Fragebogen Von der Forschungsidee zur SPSS/PASW-Auswertung 2., aktualisierte Auflage facultas.wuv Inhaltsverzeichnis 1 Elementare Definitionen 11 1.1 Deskriptive
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrAuswertung und Darstellung wissenschaftlicher Daten (2)
Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber SPSS-Andrea Payrhuber Ergebnisse dem Skalenniveau der einzelnen Daten entsprechend darstellen. nominalskalierte Daten. ordinalskalierte
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von 2 Merkmalen für jeden Merkmalsträger stellt sich die Frage, ob es systematische Zusammenhänge
MehrGrundlagen Statistik Angewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Zur Person Constantin von Craushaar Consultant / Partner Innstat e.u. (www.innstat.com) info@innstat.com Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrLage- und Streuungsmaße
Sommersemester 2009 Modus Median Arithmetisches Mittel Symmetrie/Schiefe Wölbung/Exzess 4 6 8 10 ALQ Tutorien Begleitend zur Vorlesung, inhaltlich identisch mit der Übung Mögliche Zeiten: Do 10-12, Do
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
MehrAbhängigkeit zweier Merkmale
Abhängigkeit zweier Merkmale Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/33 Allgemeine Situation Neben der Untersuchung auf Unterschiede zwischen zwei oder mehreren Untersuchungsgruppen hinsichtlich
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrVertiefungsrichtung Marktforschung
Vertiefungsrichtung Marktforschung Sommersemester 2006 Dipl.-WiInf.(FH) Christian Reinboth Darstellen Explorative Datenanalyse Beschreiben Erkennen Testen Inhalte: Explorative Datenanalyse Wir unterscheiden
MehrEin bisschen Statistik
Prof. Dr. Beat Siebenhaar ein bisschen Statistik 1 Ein bisschen Statistik (orientiert an Hüsler/Zimmermann (006) mit Umsetzung auf die linguistische Fragen) 1. Datentypen und Grafik Grafische Darstellungen
Mehr5 Zusammenhangsmaße, Korrelation und Regression
5 Zusammenhangsmaße, Korrelation und Regression 5.1 Zusammenhangsmaße und Korrelation Aufgabe 5.1 In einem Hauptstudiumsseminar des Lehrstuhls für Wirtschafts- und Sozialstatistik machten die Teilnehmer
MehrEinführung in die statistische Datenanalyse I
Einführung in die statistische Datenanalyse I Inhaltsverzeichnis 1. EINFÜHRUNG IN THEORIEGELEITETES WISSENSCHAFTLICHES ARBEITEN 2 2. KRITIERIEN ZUR AUSWAHL STATISTISCH METHODISCHER VERFAHREN 2 3. UNIVARIATE
MehrStatistische Verfahren für das Data Mining in einem Industrieprojekt
Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de
MehrKapitel 23 Lineare Regression
Kapitel 23 Lineare Regression Sowohl einfache als auch multiple Regressionsanalysen können Sie mit dem Befehl STATISTIK REGRESSION LINEAR... durchführen. Dabei lassen sich mit Hilfe diverser Optionen zahlreiche
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrEinführung in statistische Testmethoden
Einführung in statistische Testmethoden und die Bearbeitung von Messdaten mit Excel 1. Beispielhafte Einführung in den Gebrauch von Testmethoden 2. Typen von Messwerten, Verteilungen 3. Mittelwert, Varianz,
Mehr2 Analyse statistischer Daten zu einem Merkmal Lösungshinweise
6 2 Analyse statistischer Daten zu einem Merkmal Lösungshinweise 2 Analyse statistischer Daten zu einem Merkmal Lösungshinweise : In der folgenden Tabelle ist eine Teilstichprobe zu den Studierenden in
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrUNIVARIATE DATENANALYSE STATISTISCHE MASSZAHLEN MODUL 7 PROSEMINAR ANALYSE UND DARSTELLUNG VON DATEN I (DESKRIPTIVE STATISTIK)
INSTITUT FÜR ERZIEHUNGSWISSENSCHAFT - UNIVERSITÄT SALZBURG PROSEMINAR ANALYSE UND DARSTELLUNG VON DATEN I (DESKRIPTIVE STATISTIK) GÜNTER HAIDER WS 1997/98 MODUL 7 UNIVARIATE DATENANALYSE STATISTISCHE MASSZAHLEN
MehrVeranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME):
Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): MATRIKELNUMMER: Alte Prüfungsordnung/Neue Prüfungsordnung
MehrDOE am Beispiel Laserpointer
DOE am Beispiel Laserpointer Swen Günther Ein wesentliches Ziel im Rahmen der Neuproduktentwicklung ist die aus Kundesicht bestmögliche, d.h. nutzenmaximale Konzeption des Produktes zu bestimmen (vgl.
MehrGrundlagen der Datenanalyse
Schematischer Überblick zur Behandlung quantitativer Daten Theorie und Modellbildung Untersuchungsdesign Codierung / Datenübertragung (Erstellung einer Datenmatrix) Datenerhebung Fehlerkontrolle / -behebung
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Angewandte Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines einfachen Beispieles Häufigkeitsauswertungen Grafiken Datenmanipulationen
Mehr1. 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
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrZIV-Schulung. Statistik mit Excel 2010
ZIV-Schulung Statistik mit Excel 2010 Statistische Möglichkeiten mit Excel 2010 2 Zur Unterstützung quantitativer Datenanalysen dienen in Excel 2010 vor allem: > die Basisfunktionen für Berechnungen in
MehrQualitätsmanagement: Wichtige Begriffe und Formeln aus der Statistik
Qualitätsmanagement: Begriffe und Formeln aus der Statistik 1 von 50 Qualitätsmanagement: Wichtige Begriffe und Formeln aus der Statistik Quellen: Diverse Online UNI- & FH-Skripten Inhaltsverzeichnis EINLEITUNG...
Mehr