2 Merkmalsausprägungen, Skalen, Häufigkeiten, Klassierung
|
|
- Gerrit Heinz Langenberg
- vor 6 Jahren
- Abrufe
Transkript
1 2 2.1 Merkmalsausprägungen und Skalen Bei statistischen Analysen wird eine bestimmte Anzahl von Elementen untersucht und mit den Methoden der Statistik quantifiziert. Je nach Untersuchung kann es sich dabei um eine Menge aller Elemente (Grundgesamtheit) oder aber einer Teilmenge (Stichprobe) der Grundgesamtheit handeln. Die Untersuchung der Elemente erfolgt anhand eines Merkmals, das Gegenstand der Untersuchung ist. Das Merkmal selber kann wiederum unterschiedliche Merkmalsausprägungen (Zahlen, Beschreibungen) annehmen, wodurch sich die einzelnen Elemente unterscheiden. Beispiele: Es soll die durchschnittliche Semesterzahl aller StudentInnen an der FSU Jena bestimmt werden. Da eine Befragung aller StudentInnen (Grundgesamtheit) nicht praktikabel ist, wird zunächst eine repräsentative Teilmenge (Stichprobe) bestimmt. Aus dieser Stichprobe wird dann jeder einzelne Student oder Studentin (Element) nach der Semesterzahl (Merkmal) befragt. Je nach befragter Person ist die Semesterzahl natürlich unterschiedlich, sie nimmt also unterschiedliche Merkmalsausprägungen an. Es soll die durchschnittliche Tagestemperatur an der Klimastation Jena Sternwarte bestimmt werden. Die Grundgesamtheit ist damit der Verlauf der Temperatur an diesem Tag, der je nach zeitlicher Auflösung sehr viele Werte (bis zu unendlich viele) ergeben kann. In der Meteorologie wird deshalb eine begrenzte Zahl von Messwerten (Stichprobe) bestimmt. Im Allgemeinen die Messwerte um 7:, 14: und 21: Uhr. Die Messwerte zu diesen Zeitpunkten bilden die Elemente der Untersuchung, wobei die gemessene Temperatur das Merkmal darstellt. An den einzelnen Zeitpunkten wurden verschiedene Temperaturen (Merkmalsausprägungen) gemessen Skalen Zur Klassifizierung und Einordnung der Merkmalsausprägungen existieren in der Statistik verschiedene, hierarchisch angeordnete Skalen. Diese unterscheiden sich nach der Ausprägung und dem Informationsgehalt der einzelnen Merkmale. Höherwertige Skalen erben immer alle Merkmale und zulässigen Operationen von niederwertigeren. Im Einzelnen werden folgende Skalen unterschieden: Die Nominalskala (klassifikatorisch): Nominalskalierte Merkmalsausprägungen sind lediglich Bezeichner (Namen = Nomen). Die einzelnen Ausprägungen nominalskalierter Variablen sind zwar unterschiedlich aber nicht im Sinne einer Größer/Kleiner Relation vergleichbar. Beispiele für nominalskalierte Merkmalsausprägungen: Wohnort, Geschlecht, Hautfarbe von Personen Stationstyp, Ausstattung von Klimamessstationen 2-1
2 Variablen mit nur zwei möglichen Ausprägungen (Bsp. Geschlecht) werden als binär, solche mit mehr als zwei Ausprägungen als polytom bezeichnet. Hinweis: Auch wenn nominalskalierte Merkmale aufgrund der Datenverarbeitung oft mit Zahlen bezeichnet werden, können sie dennoch nicht verglichen werden. Die Ordinalskala (komparativ): Ordinal- oder rangskalierte Merkmalsausprägungen können untereinander im Sinne einer Größer/Kleiner Relation verglichen werden. Aufgrund dieser Relation können sie in eine Rangordnung gebracht werden. Auf Grund der Rangfolge kann allerdings keine Aussage über den Abstand der unterschiedlichen Ränge abgeleitet werden. Beispiel für ordinalskalierte Merkmalsausprägungen: Rangfolge bei einem Sportwettkampf (Erster, Zweiter, Dritter...) Hier gilt: Der Erste war schneller als der Zweite. Aber nicht der Erste war doppelt so schnell wie der Zweite. Auch der Abstand zwischen dem Ersten und dem Zweiten ist nicht gleich dem Abstand zwischen dem Achten und Neunten. Die Intervallskala (metrisch): Intervallskalierte Merkmalsausprägungen besitzen keinen absoluten Nullpunkt, es wird höchstens ein Nullpunkt nach Übereinkunft festgelegt. Deshalb lassen sich keine interpretierbare Multiplikationen oder Divisionen durchführen. Es lassen sich keine Aussagen treffen wie: Der Wert des Elementes A ist x-mal so groß wie der des Elementes B. Beispiel für intervallskalierte Merkmalsausprägungen: Temperaturen nach der C-Skala Beispiel: 3 C bedeutet nicht doppelt so viel Energie wie 15 C aber der Abstand zwischen und 1 C ist doppelt so groß wie der Abstand zwischen und 5 C. Die Rationalskala (metrisch): Rationalskalierte Merkmalsausprägungen besitzen einen absoluten Nullpunkt. Mit rationalskalierten Variablen lassen sich interpretierbare Multiplikationen oder Divisionen durchführen. Es lassen sich Aussagen treffen wie: Der Wert des Elementes A ist x-mal so groß wie der des Elementes B. Beispiele für rationalskalierte Merkmalsausprägungen: Temperaturen in Kelvin, Größe von Gebieten Beispiel: 3 km² ist doppelt so groß wie 15 km² Der Abstand zwischen und 1 km ist doppelt so groß wie der zwischen und 5 km. Die beiden metrischen Skalen (Intervall und Rational) werden in der Statistik häufig zur Kardinalskala zusammengefasst. Für eine naturwissenschaftliche Interpretation ist die Trennung der beiden Skalen jedoch sehr sinnvoll. Tabelle 1 gibt einen zusammenfassenden Überblick über die einzelnen Skalen, ihren Zweck und die zulässigen mathematischen Operationen. 2-2
3 Tabelle 1: Zweck, Relationen und Beispiele für die Skalen der Statistik Skala Zweck Relationen Operationen Beispiele Nominalskala Identifikation von Untersuchungselementen x i = x j x i x j Geschlecht, Farben, Namen Ordinalskala Identifikation und Ordnung wie oben und: x i > x j x i < x j Rangfolge beim Sport, MOHSsche Härteskala, Richterskala Intervallskala Identifikation, Ordnung und Bewertung (additiv) wie oben und: x i = x j + a x i = x j b x i + x j = c Temperaturen in Fahrenheit oder Celsius Rationalskala Identifikation, Ordnung und Bewertung (multiplikativ) wie oben und: x i = x j a x i = x j / b x i x j = c Temperaturen in Kelvin, Gewichte, Längen, Größen von Einzugsgebieten 2.2 Ordnung des Datenmaterials, Klassifikation und Darstellung Vor jeder statistischen Analyse muss im Allgemeinen zunächst das Datenmaterial, die Rohdatensätze gesichtet, aufbereitet und in eine entsprechende Form gebracht werden. Primär- oder sekundärstatistische Rohdaten(sätze) einer endlichen Grundgesamtheit oder einer zufälligen Stichprobe einer unendlichen Grundgesamtheit liegen meist in Urlisten vor. Sollen beispielsweise Zeitreihen von Klima- und Abflusswerten statistisch ausgewertet werden, liegen diese meist als Zeitreihen der verschiedenen Merkmale vor: Datum Luftfeuchte Temperatur Niederschlag Abfluss In dieser Tabelle hat jeder Merkmalsträger (Datensatz) vier Merkmale (LF, T, N, A) mit jeweils 365 Merkmalsausprägungen (Tage im Jahr). Der erste Schritt in der statistischen Analyse besteht meist darin die Urliste hinsichtlich der Häufigkeit einzelner Merkmalsausprägungen zu untersuchen. Diese Untersuchung wird für jedes Merkmal getrennt durchgeführt und man erhält merkmalspezifische Strichlisten: 2-3
4 Soll aus der oben angeführten Zeitreihe beispielsweise die relative Luftfeuchtigkeit (LF) analysiert werden, werden die einzelnen unterschiedlichen Merkmalsausprägungen der Größe nach sortiert und die Häufigkeit des Auftretens bestimmt: Laufende Nummer des Merkmals = Index i Ausprägung des Merkmals LF x i Anzahl der Tage mit LF = x i 1 64 IIIIIIIIIIIIIIIIIIII 2 68 IIIIIIIIIIIIIIIIIIIIIIIIIIII 3 72 IIIIIIIIIIIIIIIIIIIIIIIIIII IIIIIIIIII 2.3 Einfache Häufigkeiten Absolute Häufigkeit Die absolute Anzahl mit der ein spezifisches Merkmal xi in der Liste vertreten ist wird absolute Häufigkeit genannt und mit hi bezeichnet. Die Summe der hi ergibt die Anzahl der Elemente der Stichprobe die mit n bezeichnet wird. Die folgende Tabelle zeigt die absoluten Häufigkeiten der Merkmalsausprägungen der Luftfeuchte im Jahr Die grafische Darstellung der absoluten Häufigkeiten erfolgt meist als Stabdiagramm. i x i h i Σ h i Relative Häufigkeit Der Quotient der absoluten Häufigkeit h i jedes Merkmals x i und der Summe der Ausprägungen n ergibt die relative Häufigkeit des Merkmals. Die relative Häufigkeit wird mit f i bezeichnet. Die Summe aller relativen Häufigkeiten f i ergibt immer 1. n hi Es gilt also: f i = und f i = 1 n i= 1 2-4
5 Die folgende Tabelle zeigt die absoluten und relativen Häufigkeiten der Merkmalsausprägungen der Luftfeuchte im Jahr Die grafische Darstellung der absoluten Häufigkeiten erfolgt ebenfalls meist als Stabdiagramm. i x i h i f i Σ f i Prozentuale Häufigkeit Die Multiplikation der relativen Häufigkeit mit 1 ergibt die prozentuale Häufigkeit, die mit pi bezeichnet wird. Die Summe von pi ergibt immer 1. i x i h i f i p i Σ Kumulierte Häufigkeiten Im Gegensatz zu den einfachen Merkmalshäufigkeiten, bei denen die einzelnen Merkmale getrennt betrachtet werden, werden bei den Summenhäufigkeiten die einzelnen Häufigkeiten kontinuierlich aufsummiert (kumuliert). Die Bezeichnung erfolgt analog zu den einfachen Häufigkeiten, allerdings mit Großbuchstaben. 2-5
6 2.4.1 Kumulierte absolute Häufigkeit Die kumulierte absolute Häufigkeit wird mit Hi bezeichnet und ergibt sich aus der schrittweisen Aufsummierung der einfachen absoluten Häufigkeiten h i der Merkmale i = 1 bis n. i x i h i H i Σ H i Kumulierte relative Häufigkeit Die kumulierte relative Häufigkeit wird mit Fi bezeichnet und ergibt sich aus der schrittweisen Aufsummierung der einfachen relativen Häufigkeiten f i der Merkmale i = 1 bis n. i x i h i f i F i Σ F i Kumulierte prozentuale Häufigkeit Die kumulierte relative Häufigkeit wird mit Pi bezeichnet und ergibt sich aus der schrittweisen Aufsummierung der einfachen prozentualen Häufigkeiten p i der Merkmale i = 1 bis n. 2-6
7 i x i h i p i P i Σ Klassierung von Verteilungen Meist ist man in der Geographie mit breit verteilten Merkmalsausprägungen, die zudem eine große Spannweite besitzen konfrontiert. Beispiele: Die Abflusswerte der Unstrut liegen zwischen: 4.6 und 363 m³/s Die relative Luftfeuchte schwankt in Deutschland zwischen: 5 und 1% Die Jahreseinkommen einer befragten Berufsgruppe liegt zwischen und 6989 Werden solch breit verteilte Merkmalsausprägungen ohne weitere Bearbeitung in Häufigkeitstabellen überführt erhält man oft eine sehr große Anzahl von Merkmalsausprägungen, die gleichzeitig oft sehr geringe absolute Häufigkeiten besitzen. Die Anzahl der einzelnen Merkmale ist dann weiter sehr groß und die Liste bleibt damit sehr unübersichtlich. Beispiel Abfluss der Zahmen Gera 1981 ( m³/s): Runoff [m³/s] /8 12/8 1/81 2/81 3/81 4/81 5/81 6/81 7/81 8/81 9/81 1/81 11/81 2-7
8 Von den ehemals 365 Werten der Urliste bleiben 6 unterschiedlichen Merkmalsausprägungen in der Häufigkeitstabelle erhalten. i Runoff hi Auch als grafische Darstellung bleibt die Häufigkeitsverteilung unübersichtlich und damit schwer interpretierbar h i Runoff [m³/s] Zur Erhöhung der Übersichtlichkeit und zur besseren Interpretierbarkeit ist es in solchen Fällen sinnvoll, die Daten weiter zusammenzufassen (zu aggregieren). In der Statistik werden hierzu die Daten klassiert. 2-8
9 Bei der Klassierung wird das gesamte Werteintervall zwischen dem kleinsten und dem größten vorkommenden Wert in Wertegruppen (Klassen) unterteilt. Anschließend werden die absoluten Häufigkeiten für jede Klasse berechnet. Ziel einer guten Klassifikation soll es sein: Eine möglichst gute Übersichtlichkeit bei möglichst geringem Informationsverlust zu erreichen. Hierbei ist zu beachten, dass Je weniger Klassen gebildet werden, desto besser ist die Übersichtlichkeit, aber desto größer ist auch der Informationsverlust Es stellt sich also die Frage: Wie viele Klassen sollen gebildet werden, damit das beste Ergebnis erreicht wird? Generell gilt: Je mehr Elemente vorhanden sind, desto mehr Klassen sollten gebildet werden. Einen ersten Ansatzpunkt für eine geeignete Klassenzahl bietet die Faustregel nach STURGES: Mit: k = Anzahl der Klassen n = Anzahl der Elemente k = lg n Für die Klassierung der Abflusswerte der Zahmen Gera ergibt sich nach STURGES: k = lg n = lg6 = 6.93 Das Ergebnis der Faustformel wird auf die nächste ganze Zahl gerundet. Für die Abflusswerte wäre also die Unterteilung in etwa 7 Klassen geeignet. Die tatsächliche Klasseneinteilung sollte dann so vorgenommen werden, dass: Sich verschiedene Klassen sich nicht überdecken Das gesamte Werteintervall von den Klassen überdeckt wird Die Klassenintervalle möglichst gleich groß sind (= gleiche Klassenbreite) Die Klassenmitten und Klassengrenzen möglichst einfache Zahlen sind Nach der Bestimmung der Anzahl der Klassen, muss als nächster Schritt die Breite ( x) der einzelnen Klassen bestimmt werden. Diese berechnet sich nach: x = ( x x ) max Mit: x max Größte Merkmalsausprägung der Verteilung x min Kleinste Merkmalsausprägung der Verteilung k Klassenzahl Für das Beispiel der Zahmen Gera ergibt sich die Klassenbreite nach: k min 2-9
10 x = ( ) 7 = 1.45 Auch hier kann wieder auf einen geeigneten Wert gerundet werden. Für die Klassenbreite des Beispiels etwa auf 1.5 Die klassierte Verteilung ergibt sich damit wie folgt: Runoff h i f i <1, >1,5 3, hi >3, 4,5 3.8 >4,5 6, 2.5 >6, 7,5 1.3 >7,5 9, 2.5 >9, > 1.5 > > > > > > 9. Das Beispiel zeigt, dass bei stark ungleich verteilten Daten die Einteilung nach STURGES zu einem überproportionalen Informationsverlust führt. In solchen Fällen ist eine Erhöhung der Klassenzahl sinnvoll. Eine Verdopplung der Klassenzahl führt zu folgendem Ergebnis: Runoff h i f i < > > > > > > > > > > > > > h i
11 2.5.1 Definitionen und Berechnungen von Klassenmerkmalen Die folgende Tabelle zeigt eine zusammenfassende Darstellung der Definitionen, Berechnungen und Beschreibungen von einzelnen Parametern klassierter Verteilungen. Tabelle 2: Definitionen und Berechnungen von Klassenmerkmalen Beschreibung Formelzeichen Berechnung Untere Klassengrenze der Klasse i x iu - Obere Klassengrenze der Klasse i x io - x Klassenbreite der Klasse i x i i io iu Klassenmitte der Klasse i Absolute Häufigkeit der Merkmale in der Klasse i mit hj = Einzelhäufigkeiten der Elemente in der Klasse i Relative Häufigkeit der Klasse i x im h i f i x x im h = = x ( x + x ) iu x = io 2 i h j j= x Prozentuale Häufigkeit der Klasse i p i p f 1 i f i = = i iu h i n io Graphische Darstellungen von Häufigkeiten Blockdiagramm: Geeignete Darstellungsform von metrischen Daten, da Blockdiagramme das Werteintervall, das die einzelnen Werte annehmen auch grafisch vermitteln. i x i h i
12 Stabdiagramm: Geeignete Darstellungsform bei diskreten Daten. i x i h i 1 Blau 2 2 Grün 26 3 Orange 34 4 Gelb 52 5 Violett 81 6 Rot 56 7 Grau 35 8 Cyan 26 9 Magenta 2 1 schwarz blau grün orange gelb violett rot grau cyan magentaschwarz Häufigkeitspolygone: Geeignete Darstellung von kontinuierlichen (stetigen) Daten. Hier wird dargestellt, dass der Verlauf zwischen den einzelnen Ausprägungen durch stetige Daten gebildet wird. i x i h i Häufigkeitspolygone werden oft auch zur Darstellung von kumulierten Häufigkeiten eingesetzt. Bei diskreten Daten (links) als Treppenfunktion, bei stetigen (rechts) als Kurvenzug. 2-12
13 blau grün orange gelb violett rot grau cyan magentaschwarz Übungsaufgaben Aufgabe 1: Nennen sie die entsprechende Skala und die Art der Merkmalsausprägung (stetig oder diskret) für folgende Merkmale: a) Preis b) Staatsangehörigkeit c) Fläche eines Landes d) Arbeitslosenzahl e) Sprache f) Fettgehalt des Mensa-Essens g) Punkte in der Statistikklausur Aufgabe 2: Gegeben sei folgende Häufigkeitsverteilung: Löhne (in Euro) Anzahl der Arbeiter Konstruieren Sie: a) eine kumulative Häufigkeitsverteilung b) eine prozentuale kumulative Verteilung c) eine Summenkurve d) eine prozentuale Summenkurve 2-13
14 Aufgabe 3: Wenn die Klassenmitten in einer Häufigkeitsverteilung der Längen von Lorbeerblättern 128, 137, 146, 155, 164, 173 und 182 mm sind, so bestimmen Sie unter der Vorraussetzung, dass die Längen auf den nächsten Millimetern genau gemessen wurden: a. Die Klassenbreiten b. Die Klassengrenzen Aufgabe 4: In der folgenden Tabelle sind die Längen von 4 Schrauben auf den nächsten Millimeter genau angegeben Konstruieren Sie eine geeignete Häufigkeitsverteilung. 2-14
15 2.7 Musterlösung zu den Übungsaufgaben Aufgabe 1: Nennen sie die entsprechende Skala und die Art der Merkmalsausprägung (stetig oder diskret) für folgende Merkmale: a) Preis Rationalskala, stetige Merkmalsausprägung b) Staatsangehörigkeit Nominalskala, diskrete Merkmalsausprägung c) Fläche eines Landes Rationalskala, stetige Merkmalsausprägung d) Arbeitslosenzahl Rationalskala, diskrete Merkmalsausprägung e) Sprache Nominalskala, diskrete Merkmalsausprägung f) Fettgehalt des Mensa-Essens Rationalskala, stetige Merkmalsausprägung g) Punkte in der Statistikklausur Ordinalskala, diskrete Merkmalsausprägung Aufgabe 2: Gegeben sei folgende Häufigkeitsverteilung: Löhne (in Euro) Anzahl der Arbeiter Konstruieren Sie: a) eine kumulative Häufigkeitsverteilung b) eine prozentuale kumulative Verteilung c) eine Summenkurve d) eine prozentuale Summenkurve 2-15
16 Lösung a) Spalte 5 und b) Spalte 9 i x i n i h i H i f i F i p i P i Σ zu c) 1..9 kumulierte relative Häufigkeit - F i < 5 < 6 < 7 < 8 < 9 < 1 < 11 < 12 Löhne in zu d) kumulierte prozentuale Häufigkeit - P i < 5 < 6 < 7 < 8 < 9 < 1 < 11 < 12 Löhne in 2-16
17 Aufgabe 3: Wenn die Klassenmitten in einer Häufigkeitsverteilung der Längen von Lorbeerblättern 128, 137, 146, 155, 164, 173 und 182 mm sind, so bestimmen Sie unter der Vorraussetzung, dass die Längen auf den nächsten Millimetern genau gemessen wurden: Die Klassenbreiten: Die Klassenbreiten ergeben sich aus der Differenz der jeweiligen Klassenmitten: = = L = = 9. Die Klassenbreiten der Verteilung betragen also 9 mm. Die Klassengrenzen: Da die Klassen alle die gleiche Breite haben liegen die Klassengrenzen genau zwischen den Klassenmitten und berechnen sich nach: ( xim + xi 1m ) ( xim + xi+ 1m ) xiu = x io = 2 2 Die Klassenuntergrenze der ersten Klasse berechnet sich aus der Klassenuntergrenze der zweiten Klasse minus der Klassenbreite: x = u = Die Klassenobergrenze der letzten Klasse berechnet sich aus der Klassenobergrenze der vorletzten plus der Klassenbreite: x = Klasse i x iu x im x io > > > > > > o = Aufgabe 4: In der folgenden Tabelle sind die Längen von 4 Schrauben auf den nächsten Millimeter genau angegeben
18 Konstruieren Sie eine geeignete Häufigkeitsverteilung. Da die absoluten Häufigkeiten der Einzelmerkmalsausprägungen der gegebenen Verteilung gering sind, bietet es sich an eine klassierte Verteilung zu erstellen. Folgende Schritte sind hierzu notwendig: a) Bestimmung der Anzahl k der Klassen. Nach Sturges ergibt sich für k: k = lg n = lg 4 = 6.32 Nach der Faustregel sollten also 6 Klassen gebildet werden. b) Bestimmung der Klassenbreiten x aus k und dem Minimum x min bzw. Maximum x max der Verteilung nach: x = ( x x ) = = 6 6 max min = Da für die Klassenbreiten einfache, runde Zahlen gewählt werden sollten bietet sich eine Klassenbreite von 1 an. c) Mit den Werten aus a) und b) können nun die Klassen erstellt werden: Klasse i Länge in mm > > > > > k 9.5 d) Nun können die absoluten Häufigkeiten für die einzelnen Klassen aus der Urliste ermittelt werden: Klasse Länge in mm Strichliste Häufigkeit i IIII 4 2 > IIIII II 7 3 > IIIII IIIII IIII 4 > IIIII III 8 5 > IIIII 5 6 > II 2 14 Summe
Variablen und Skalenniveaus
Analytics Grundlagen Variablen und Skalenniveaus : Photo Credit: Unsplash, Roman Mager Statistik Was ist eigentlich eine Variable? Variable In der Datenanalyse wird häufig die Bezeichnung Variable verwendet.
Mehr3. Merkmale und Daten
3. Merkmale und Daten Ziel dieses Kapitels: Vermittlung des statistischen Grundvokabulars Zu klärende Begriffe: Grundgesamtheit Merkmale (Skalenniveau etc.) Stichprobe 46 3.1 Grundgesamtheiten Definition
MehrWahrscheinlichkeits - rechnung und Statistik
Michael Sachs Mathematik-Studienhilfen Wahrscheinlichkeits - rechnung und Statistik für Ingenieurstudenten an Fachhochschulen 4., aktualisierte Auflage 2.2 Eindimensionale Häufigkeitsverteilungen 19 absolute
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
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2016 Anmeldung in Basis: 06. 10.06.2016 Organisatorisches Einführung Statistik Analyse empirischer Daten
MehrStatistik Skalen (Gurtner 2004)
Statistik Skalen (Gurtner 2004) Nominalskala: Daten haben nur Namen(Nomen) und (eigentlich) keinen Zahlenwert Es kann nur der Modus ( ofteste Wert) berechnet werden Beispiel 1: Die Befragung von 48 Personen
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 23042013 Datenlagen und Darstellung eindimensionaler Häufigkeitsverteilungen
MehrDaten, Datentypen, Skalen
Bildung kommt von Bildschirm und nicht von Buch, sonst hieße es ja Buchung. Daten, Datentypen, Skalen [main types of data; levels of measurement] Die Umsetzung sozialwissenschaftlicher Forschungsvorhaben
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
MehrDeskriptive Statistik Auswertung durch Informationsreduktion
Deskriptive Statistik Auswertung durch Informationsreduktion Gliederung Ø Grundbegriffe der Datenerhebung Total-/Stichprobenerhebung, qualitatives/quantitatives Merkmal Einteilung der Daten (Skalierung,
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2017 Organisatorisches Anmeldung in Basis: 19. 23.06.2017 Skript und Übungsaufgaben unter: http://www.iam.uni-bonn.de/users/rezny/statistikpraktikum
MehrSerie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6. Statistik-Tutorium. Lösungsskizzen Übung SS2005. Thilo Klein. Grundstudium Sommersemester 2008
Serie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6 Lösungsskizzen Übung SS2005 Grundstudium Sommersemester 2008 Serie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6 Inhalt Serie 1 Serie 2 Serie 3 Serie 4 Serie
Mehr1. Tutorial. Online-Tutorium-Statistik von T.B.
Online-Tutorium-Statistik von T.B. 1 Grundbegriffe I Gegenstand einer statistischen Untersuchung sind bestimmte Objekte (z.b. Personen, Unternehmen) bei denen man sich für gewisse Eigenschaften (z.b. Geschlecht,
MehrDatenerhebung, Skalenniveaus und Systemdatei
Datenerhebung, Skalenniveaus und Systemdatei Institut für Geographie 1 Beispiele für verschiedene Typen von Fragen in einer standardisierten Befragung (3 Grundtypen) Geschlossene Fragen Glauben Sie, dass
MehrBeschreibung von Daten
Kapitel 2 Beschreibung von Daten In diesem Kapitel geht es um die Beschreibung von empirisch erhobenen Daten Größere Datenmengen sind schwer zu überblicken Weil ein Bild leichter als eine Ansammlung von
MehrEinführung in die Statistik
Einführung in die Statistik 1. Deskriptive Statistik 2. Induktive Statistik 1. Deskriptive Statistik 1.0 Grundbegriffe 1.1 Skalenniveaus 1.2 Empirische Verteilungen 1.3 Mittelwerte 1.4 Streuungsmaße 1.0
MehrStatistik Grundbegriffe
Kapitel 2 Statistik Grundbegriffe 2.1 Überblick Im Abschnitt Statistik Grundbegriffe werden Sie die Bedeutung von statistischen Grundbegriffen wie Stichprobe oder Merkmal kennenlernen und verschiedene
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
MehrMATHEMATIK MTA 12 SCHULJAHR 07/08 STATISTIK
MATHEMATIK MTA 12 SCHULJAHR 07/08 STATISTIK PROF. DR. CHRISTINA BIRKENHAKE Inhaltsverzeichnis 1. Merkmale 2 2. Urliste und Häufigkeitstabellen 9. Graphische Darstellung von Daten 10 4. Lageparameter 1
MehrKapitel 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
MehrStatistik I (17) 79. Untersuchen Sie die Daten aus Tabelle 1.
Schüler Nr. Statistik I (7) Schuljahr /7 Mathematik FOS (Haben Sie Probleme bei der Bearbeitung dieser Aufgaben, wenden Sie sich bitte an die betreuenden Lehrkräfte!) Tabelle : Die Tabelle wurde im Rahmen
MehrStatistische 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.
Mehrf j = ( 2) = 5.5.
Wirtschaftswissenschaftliches Zentrum 1 Universität Basel Statistik Dr. Thomas Zehrt Merkmale und Häufigkeitsverteilung Motivation In der heutigen Zeit fällt jeden Tag eine unvorstellbare Menge von Daten
MehrModul 04: Messbarkeit von Merkmalen, Skalen und Klassierung. Prof. Dr. W. Laufner Beschreibende Statistik
Modul 04: Messbarkeit von Merkmalen, Skalen und 1 Modul 04: Informationsbedarf empirische (statistische) Untersuchung Bei einer empirischen Untersuchung messen wir Merkmale bei ausgewählten Untersuchungseinheiten
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden- 2.VO 1/57 Die Deskriptivstatistik
Mehr1. Einführung und statistische Grundbegriffe. Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik:
. Einführung und statistische Grundbegriffe Beispiele aus dem täglichen Leben Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik: Quantitative Information Graphische oder tabellarische
MehrKapitel V - Graphische Darstellung von Häufigkeitsverteilungen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Graphische Darstellung von Häufigkeitsverteilungen Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska
MehrDeskriptive Statistik 1 behaftet.
Die Statistik beschäftigt sich mit Massenerscheinungen, bei denen die dahinterstehenden Einzelereignisse meist zufällig sind. Statistik benutzt die Methoden der Wahrscheinlichkeitsrechnung. Fundamentalregeln:
MehrAlle 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
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine Universität Düsseldorf 14. Oktober 2010 Übungen Aufgabenblatt 1 wird heute Nachmittag auf das Weblog gestellt. Geben Sie die Lösungen dieser
MehrGünther Bourier. Beschreibende Statistik. Praxisorientierte Einführung - Mit. Aufgaben und Lösungen. 12., überarbeitete und aktualisierte Auflage
i Günther Bourier Beschreibende Statistik Praxisorientierte Einführung - Mit Aufgaben und Lösungen 12., überarbeitete und aktualisierte Auflage 4^ Springer Gabler Inhaltsverzeichnis Vorwort V 1 Einführung
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik Häufigkeitsverteilungen Statistische Kennwerte 3 Multivariate Statistik 4 Regression 5 Ergänzungen 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
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:
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
MehrTeil 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
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
Mehr4. 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:
MehrVorlesung Grundlagen der Biometrie WS 2011/12 1. Grundbegriffe
Vorlesung Grundlagen der Biometrie WS 2011/12 1. Grundbegriffe Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 1. Grundbegriffe der beschreibenden Statistik Statistische Einheiten, Grundgesamtheit
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
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
MehrForschungsmethoden in der Sozialen Arbeit
Forschungsmethoden in der Sozialen Arbeit Fachhochschule für Sozialarbeit und Sozialpädagogik Alice- Salomon Hochschule für Soziale arbeit, Gesundheit, Erziehung und Bildung University of Applied Sciences
Mehr2 Häufigkeitsverteilungen
2 Häufigkeitsverteilungen Ziel: Darstellung bzw Beschreibung (Exploration) einer Variablen Ausgangssituation An n Einheiten ω 1,,ω n sei das Merkmal X beobachtet worden x 1 = X(ω 1 ),,x n = X(ω n ) Also
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS15B Oettinger 9/216 Aufgabe 1 (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Falsch: die beiden Größen sind
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
Mehr1 Stochastik deskriptive Statistik und Wahrscheinlichkeitsrechnung. Statistik und Wahrscheinlichkeitsrechnung
1 Stochastik deskriptive Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung 2 Stochastik deskriptive Statistik und Wahrscheinlichkeitsrechnung Stochastik Wahrscheinlichkeitsrechnung
MehrStatistik SS Deskriptive Statistik. Bernhard Spangl 1. Universität für Bodenkultur. March 1, 2012
Statistik SS 2012 Deskriptive Statistik Bernhard Spangl 1 1 Institut für angewandte Statistik und EDV Universität für Bodenkultur March 1, 2012 B. Spangl (Universität für Bodenkultur) Statistik SS 2012
MehrEinige Grundbegriffe der Statistik
Einige Grundbegriffe der Statistik 1 Überblick Das Gesamtbild (Ineichen & Stocker, 1996) 1. Ziehen einer Stichprobe Grundgesamtheit 2. Aufbereiten der Stichprobe (deskriptive Statistik) 3. Rückschluss
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
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
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
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
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
MehrKapitel III - Merkmalsarten
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Statistik 1 - Deskriptive Statistik Kapitel III - Merkmalsarten Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
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
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
MehrSTATISTIK FÜR STATISTIK-AGNOSTIKER Teil 1 (wie mich)
WS 07/08-1 STATISTIK FÜR STATISTIK-AGNOSTIKER Teil 1 (wie mich) Nur die erlernbaren Fakten, keine Hintergrundinfos über empirische Forschung etc. (und ich übernehme keine Garantie) Bei der Auswertung von
MehrStatistik. 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
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
Mehr1 Einführung und Grundbegriffe
1 Einleitung Die deskriptive Statistik dient der systematischen Erfassung und Darstellung von Daten, die bestimmte Zustände oder Entwicklungen aufzeigen. Sehr viele Entscheidungen des Alltags, in Wirtschaftsunternehmen
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
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
MehrSkalenniveaus =,!=, >, <, +, -
ZUSAMMENHANGSMAßE Skalenniveaus Nominalskala Ordinalskala Intervallskala Verhältnisskala =,!= =,!=, >, < =,!=, >, ,
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
MehrVerteilungen und ihre Darstellungen
Verteilungen und ihre Darstellungen Übung: Stamm-Blatt-Diagramme Wie sind die gekennzeichneten Beobachtungswerte eweils zu lesen? Tragen Sie in beiden Diagrammen den Wert 0.452 an der richtigen Stelle
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
MehrDeskriptive Statistik Lösungen zu Blatt 1 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 1
1 Deskriptive Statistik Lösungen zu Blatt 1 Christian Heumann, Susanne Konrath SS 2011 Lösung Aufgabe 1 (a) Es sollen die mathematischen Vorkenntnisse der Studenten, die die Vorlesung Statistik I für Statistiker,
MehrStatistik I für Humanund Sozialwissenschaften
Statistik I für Humanund Sozialwissenschaften 1 Übung Lösungsvorschlag Gruppenübung G 1 Auf einer Touristeninsel in der Karibik wurden in den letzten beiden Juliwochen morgens zur gleichen Zeit die folgenden
MehrDer Modus ist. Der Median ist. 3. Übung. Aufgabe 1. a) der häufigste Wert. b) der Wert unter dem 50 % aller anderen Werte liegen.
3. Übung Aufgabe 1 Der Modus ist a) der häufigste Wert. b) der Wert unter dem 50 % aller anderen Werte liegen. c) der Durchschnitt aller Werte. d) der Wert mit der größten Häufigkeitsdichte. e) der Schwerpunkt
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
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 2 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
Mehr8. Mai Qualitätsmanagement Werkzeuge des Qualitätsmanagements
Qualitätsmanagement Übung 1 8. Mai 2007 Fischgrätendiagramm oder Ishikawa Diagramm Fischgrätendiagramm oder Ishikawa Diagramm es werden möglichst alle Ursachen eines Problems in Form von Haupt- und Nebenästen
MehrStandardisierte 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
MehrStatistik für Ingenieure Vorlesung 7
Statistik für Ingenieure Vorlesung 7 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 12. Dezember 2017 4. Deskriptive Statistik 4.1. Grundbegriffe der Statistik Der Begriff
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Ruediger.Braun@uni-duesseldorf.de Heinrich-Heine Universität Düsseldorf Mathematik für Biologen p. 1 Hinweise Internetseite zur Vorlesung: http://blog.ruediger-braun.net
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,
Mehr1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung?
86 8. Lageparameter Leitfragen 1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung? 2) Was ist der Unterschied zwischen Parametern der Lage und der Streuung?
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrAnwendung A_0801_Quantile_Minimum_Maximum
8. Lageparameter 63 8.3 Interaktive EXCEL-Anwendungen (CD-ROM) Anwendung A_080_Quantile_Minimum_Maimum Die Anwendung besteht aus einem Tabellenblatt Simulation : In der Simulation wird aus einer Urliste
MehrLösungen zu Übung 1 (Kap. 1.5) Prof. Dr.B.Grabowski
Lösungen zur Übung1: Skript I (Beschreibende Statistik), Kap. 1.5 Aufgabe 1 1. Sind folgende Merkmale diskret oder stetig? a) Die durch eine wahlberechtigte Person der BRD gewählte Partei bei der Bundestagswahl.
MehrGrafische Darstellung von Häufigkeitsverteilungen (1)
Grafische Darstellung von Häufigkeitsverteilungen () Grafische Darstellungen dienen... - Einführung - der Unterstützung des Lesens und Interpretierens von Daten. der Veranschaulichung mathematischer Begriffe
MehrÜbung 1 im Fach "Biometrie / Q1"
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
MehrUniv.-Prof. Dr. Georg Wydra
Univ.-Prof. Dr. Georg Wydra Methoden zur Auswertung von Untersuchungen 1 SKALENTYPEN UND VARIABLEN 2 ZUR BEDEUTUNG DER STATISTIK IN DER FORSCHUNG 3 STATISTIK ALS VERFAHREN ZUR PRÜFUNG VON HYPOTHESEN 4
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrAnalyse klassierter Daten: Vor der Analyse fasst man jeweils mehrere Merkmalsausprägungen in (Merkmalswerte-)Klassen zusammen.
4. Analyse univariater Daten: Übersicht Mathematik ist die Wissenschaft der reinen Zahl, Statistik die der empirischen Zahl Von univariaten Daten spricht man, wenn bei der Datenerhebung nur ein Merkmal
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...
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
MehrBeschreibende Statistik
Beschreibende Statistik Daten erfassen und ordnen 14. April 2009 Dr. Katja Krüger Universität Paderborn Grundlagen der Schulmathematik SoSe 2009 1 Inhalt Datenkompetenz Beschreibende Statistik - Grundbegriffe
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
MehrGrundbegriffe. Bibliografie
Grundbegriffe Merkmale und Merkmalsausprägungen Skalen und Skalentransformation Einführung und Grundbegriffe II 1 Bibliografie Bleymüller / Gehlert / Gülicher Verlag Vahlen Statistik für Wirtschaftswissenschaftler
MehrWillkommen 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
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
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
MehrLeseprobe. Michael Sachs. Wahrscheinlichkeitsrechnung und Statistik. für Ingenieurstudenten an Fachhochschulen. ISBN (Buch):
Leseprobe Michael Sachs Wahrscheinlichkeitsrechnung und Statistik für Ingenieurstudenten an Fachhochschulen ISBN (Buch): 978-3-446-43797-5 ISBN (E-Book): 978-3-446-43732-6 Weitere Informationen oder Bestellungen
MehrDie deskriptive (beschreibende) Statistik hat als Aufgabe, große Datenmengen durch wenige Kennzahlen. oder Grafiken zu beschreiben.
Die deskriptive (beschreibende) Statistik hat als Aufgabe, große Datenmengen durch wenige Kennzahlen wie Lage- und Streuungsmaße oder Grafiken zu beschreiben. Solche Datenmengen entstehen bei der Untersuchung
MehrDidaktik der Stochastik (Leitidee: Daten und Zufall)
Didaktik der Geometrie und Stochastik WS 09 / 10 15. 1. 2010 Didaktik der Stochastik (Leitidee: Daten und Zufall) 7. Beschreibende Statistik 7.1 Zum Begriff Stochastik : Seit den Fünfziger Jahren werden
MehrBeschreibende Statistik
Beschreibende Statistik 2 Überblick In diesem Kapitel geht es um die Ausprägungen von Merkmalen und um die Skalen, auf denen sie dargestellt werden: Nominale, ordinale Skalen, Intervallskalen und Verhältnisskalen.
Mehr