statistik

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs statistik an der TU München.

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Variablen der Grundgesamtheit und Stichprobe

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Was sind Merkmalsträger?

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Was sind Merkmale?

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Induktive/Inferenz Inferenz-Statistik:

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Definition der Regressionsanalyse

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Interpretation der Maßzahl des Kontingenzkoeffizienten

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Grundlagen der linearen Regressionsfunktion

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Problematik der Bindungen beim Korrelationskoeffizienten nach Spearman
Spearman:

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Grundlagen des Korrelationskoeffizienten nach Spearman

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Grundlagen des Korrelationskoeffizienten nach  Bravais-Pearson

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Kontingenzkoeffizienten:

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

Grundlagen des Bestimmtheitsmaßes

Kommilitonen im Kurs statistik an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für statistik an der TU München auf StudySmarter:

statistik

Variablen der Grundgesamtheit und Stichprobe

Um in der induktiven Statistik zwischen der Grundgesamtheit und der Stichprobe zu unterscheiden, verwendet man folgende Variable:

Variable für die Grundgesamtheit:
Für die Grundgesamtheit aller Daten/Elemente wird der Großbuchstabe 𝑁vergeben.

Variable für die Stichprobe:
Für die Stichprobe einer bestimmten Anzahl von Daten/Elementen wird der Kleinbuchstabe 𝑛 vergeben.

Beispiel:
Unser Beispiel mit der Wahlentscheidung hat eine Grundgesamtheit von 𝑁=61,5Millionen, es wurden aber nur 𝑛=1000wahlberechtigte Bürger befragt.

statistik

Was sind Merkmalsträger?
statistische Einheit

statistik

Was sind Merkmale?
Eigenschaften der statistischen Einheit

statistik

Induktive/Inferenz Inferenz-Statistik:

Bei der
induktiven/Inferenz Inferenz-Statistik stehen Rückschlusse einer Stichprobe eines Merkmals auf die Grundgesamtheit des Merkmals im Mittelpunkt. Bei der Erhebung von Daten (Beobachtungswerten) eines Merkmals ist es oftmals nicht möglich, eine vollständige Erhebung durchzuführen, stattdessen stattdessenfi ndet nur eine Teilerhebung statt. Mittels
der induktiven Statistik lässt sich aus dieser Teilerhebung, welche auch als Stichprobe bezeichnet wird, unter Berücksichtigung von Fehlerwahrscheinlichkeiten auf wichtige
LageLage-und Streuungsmaße der Grundgesamtheit des Merkmals, zurückschließen. Als Grundlage der induktiven Statistik dient dabei al len voran die Wahrscheinlichkeitsrechnungrechnung.

Beispielweise soll das Merkmal Wahlentscheidung von wahlberechtigten Personen betrachtet werden. Da es mehrere Millionen wahlber echtigte Personen gibt, ist eine Befragung aller Personen nicht möglich. Stattdessen findet eine Teilerhebung statt und eine bestimmte Anzahl von wahlberechti gte n Personen wird nach ihrer Wahlentscheidung befragt.

Mittels der induktiven Statistik können nun Rückschlüsse aus dieser Stichprobe auf die Wahlentschei Wahlentscheidung aller Wahlberechtigten geschlossen werden.

Teilerhebung der Daten (Stichprobe):
Beispielsweise durch Befragung von 1000 wahlberechtigten Personen über ihre Wahlentscheidung.

Rückschluss auf die Grundgesamtheit:
Beispielsweise durch Schätzung der Wahlentscheidungen aller Personen auf Grundlage der Stichprobe.

statistik

Definition der Regressionsanalyse

Mittels der Regressionsanalyse soll der Zusammenhang bzw. die Abhängigkeiten zwischen zwei Merkmalen mathematisch mithilfe einer Funktion ausgedrückt werden. Eine
Funktion, welche den Zusammenhang zwischen zwei Merkmalen ausdrückt bezeichnet man als sogenannte Regressionsfunktion. Mittel seiner Regressionsfunktion lässt sich
bei Vorgabe eines Beobachtungswertes eines Merkmals der Beobachtungwert des anderen Merkmals berechnen bzw. schätzen. Der ber berech nete Beobachtungswert wird als
Schätzwert bezeichnet, da bei einer statistischen Erhebung die tatsächlich erhobenen Merkmalskombinationen meist um die Regre Regressi onsfunktion herum streuen, da in der
Realität selten ein eindeutiger Zusammenhang erhoben werden kann. Deshalb wird auch der berechnete Beobachtungswert der Regre Regressi onsfunktion nicht als
Beobachtungswert, sondern als Schätzwert bezeichnet und mit einem Dachsymbol über der Variable versehen (ො 𝑦). Trotz möglicher Abweichungen von den tatsächlich
beobachteten Merkmalskombinationen dient die Regressionsanalyse dem allgemeinen mathematischen Ausdruck des Zusammenhangs zwe zweier Merkmale.

statistik

Interpretation der Maßzahl des Kontingenzkoeffizienten

Beim Kontingenzkoeffizienten handelt es sich
nicht um eine standardisierte Maßzahl, die Werte im Bereich von −1und 1[−1;1]annehmen kann. Erst durch die Berechnung des korrigierten Kontingenzkoeffizienten 𝐶𝑘𝑜𝑟𝑟wird die Maßzahl standardisiert und nimmt allerdings nur Werte im Bereich von 0 und 1 [0≤𝐶𝑘𝑜𝑟𝑟≤1]an:
𝐶𝑘𝑜𝑟𝑟=0:Kein Zusammenhang der Merkmale
𝐶𝑘𝑜𝑟𝑟=1:Eindeutiger Zusammenhang der Merkmale

statistik

Grundlagen der linearen Regressionsfunktion

Die lineare Regressionsfunktion soll den mathematischen Zusammenhang zwischen zwei annähernd linear zusammenhängenden Merkmal
Merkmalen wiedergeben. Dabei sind die
Variablen der allgemeinen linearen Regressionsfunktion so zu wählen, dass die Summe der quadratischen Abweichungen der tatsäc hli chen Merkmalsausprägungen von der
Regressionsgeraden so gering wie möglich sind. Die Abweichungen von der Regressionsgeraden sind dann so gering wie möglich, w wenn die Regressionsgerade durch den
Punkt (ҧ 𝑥,ത 𝑦), also durch den Punkt aus der Kombination der arithmetischen Mittel der Merkmale 𝑋und 𝑌verläuft. Mittels eines Punktes lässt sich aber noch keine Gerade
zeichnen, weshalb die sogenannten Regressionskoeffizienten 𝑎und 𝑏der allgemeinen Regressionsfunktion zu bestimmen sind. Der Regressionskoeffizient 𝑎gibt den
Schnittpunkt der y y-Achse wieder, womit ein zweiter Punkt vorhanden ist. Der Regressionskoeffizient 𝑏hingegen gibt die notwendige Steigung zwischen den beiden Punkten
wieder. Ist der Anfangspunkt der Regressionsgeraden und die Steigung eindeutig bestimmt, kann die Regressionsgerade Schätzwer Schätzwerte für die Merkmalsausprägungen ො 𝑦𝑖bei
Veränderung des Beobachtungswertes der Merkmalsausprägung 𝑥𝑖liefern.

statistik

Problematik der Bindungen beim Korrelationskoeffizienten nach Spearman
Spearman:

Als Bindungen bezeichnet man bei der Berechnung des Korrelationskoeffizienten nach Spearman Merkmalsausprägungen, deren Beoba
Beobacht ungswerte gleich sind. Treten die gleichen Beobachtungswerte für ein Merkmal mehrmals auf, führt dies zwar nicht zu Problemen bei der Sortierung, jedoch bei der Zuordnung von Rängen.

Zur Berechnung des Korrelationskoeffizienten nach Spearman ist es nämlich zwingend notwendig, dass der Rang fortlaufend für jede Merkmalsausprägung ist, sodass der letzte vergebene Rang mit der Gesamtanzahl aller Merkmalskombinationen 𝑛übereinstimmt. Treten entsprechend gleiche Beobachtungswerte (Bindungen) auf, so erhalten die gleichen
Beobachtungswerte verschiedene Ränge, was ebenfalls zu falschen Ergebnissen führt.

statistik

Grundlagen des Korrelationskoeffizienten nach Spearman

Spearman:
Der Korrelationskoeffizient nach Spearman, auch als Rangkorrelationskoeffizient bezeichnet, stellt eine Maßzahl für den monot
one n Zusammenhang zwischen zwei
ordinalskalierten Merkmalen dar. Dabei spricht man von einem gleichgesinnten monotonen Zusammenhang, wenn große Werte von Merkmalsausprägungen de s einen
Merkmals mit großen Werten von Merkmalsausprägungen des anderen Merkmals einhergehen. Ein gegensinniger monotoner Zusammenhan g b esteht, wenn große Werte
des einen Merkmals mit kleinen Werten des anderen Merkmals einhergehen. Obwohl ein linearer Zusammenhang gleichzeitig immer a uch monoton ist, bedeutet dies im
Umkehrschluss nicht, dass ein monotoner Zusammenhang immer auch linear sein muss. Deshalb lässt sich die Art des Zusammenhang s m it dem Korrelationskoeffizienten
nach Spearman nicht eindeutig bestimmen.

Merke:
Ein linearer Zusammenhang ist immer monoton. Ein monotoner Zusammenhang ist jedoch nicht immer auch linear. (Exponentielle Zusammenhänge sind monoton,
aber nicht linear)

statistik

Grundlagen des Korrelationskoeffizienten nach  Bravais-Pearson

Der Korrelationskoeffizient nach Bravais
Bravais-Pearson stellt eine Maßzahl für den linearen Zusammenhang zwischen zwei metrisch skalierten Merkmalen dar.

Ein linearer Zusammenhang tritt dann auf, wenn die Merkmalsausprägungen der beiden Merkmale im gleichen Verhältnis kontinuierlich steigen oder fallen, bzw. wenn das Streudiagramm für die Merkmalskombinationen eine steigende/fallende Gerade aufweist. Besteht zwischen zwei metrisch skalierten Merkmalen ein linearer Zusammenhang, so sind die Merkmalskombinationen mitunter (streng) monoton steigend bzw. fallend.

statistik

Kontingenzkoeffizienten:

Der Kontingenzkoeffizient stellt eine Maßzahl für die Ausgeprägtheit/Stärke eines Zusammenhangs zwischen zwei
nominalskalierten Merkmalen dar. Die Angabe der
Stärke/Ausgeprägtheit eines Zusammenhangs trifft keine Aussage darüber, welche Art von Zusammenhang tatsächlich besteht, sond sondern nur, ob ein Zusammenhang vorliegt
oder nicht. Ein starker Zusammenhang besteht also beispielsweise sowohl bei einem linearen Zusammenhang als auch bei einem ni nicht linearen quadratischen
Zusammenhang. Damit liefert der Kontingenzkoeffizient die geringsten Informationen der verschiedenen Koeffizienten.
Merke:
Da der Kontingenzkoeffizient keine Informationen über die Art des Zusammenhangs liefert, besitzt dieser die Eigenschaft der Invarianz . Das bedeutet, dass ein
Vertausch von Spalten oder Zeilen innerhalb der Kontingenztabelle zu keinerlei Veränderung des Kontingenzkoeffizienten führt.

statistik

Grundlagen des Bestimmtheitsmaßes

Als Bestimmtheitsmaß bezeichnet man den quadrierten Korrelationskoeffizienten nach Bravais
Bravais-Pearson im Falle der linearen Regress ion. Das Bestimmtheitsmaß ist eine
Maßzahl, die eine Aussage darüber trifft, wie „gut“ die lineare Regressionsfunktion die Merkmalsausprägungen des abhängigen M Merk mals, welches geschätzt wird,
voraussagt. Das Bestimmtheitsmaß selbst nimmt dabei Werte zwischen 0 und 1 an, die eine prozentuale Aussage darüber treffen, wie viel Prozent der Varianz des abhängigen
Merkmals durch die lineare Regression erklärt werden kann. Je höher der Wert des Bestimmtheitsmaßes liegt, desto geeigneter i ist die Regressionsgerade zur Vorhersage des
abhängigen Merkmals.

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für statistik an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für statistik an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback