Beruflich Dokumente
Kultur Dokumente
Kap Einführung
1 :
① variablen
Merkmalsträger
Merkmale
9
1 1 Melemat (2 B Intelligenz)
-
.
.
. .
12
Merkmal- isolierte
Eigenschaft eines
größeren Ganzen, z B
Intelligenz Farbe
·
,
Feststellung der
.
um
Beobachtung
&
mind 2
Ausprägungen
-
Ausprägung
=
ga
= =
. .
, ,
-
kann
Objekte , bei Ausprägung feststellen Merkmalsträger
-
auch echte
Beobachtung Verhaltensbeobachtung
- =
Feststellung der
Ausprägung ,
z .
B .
Auskünfte in
Fragebögen oder
↳ sämtliche bei
Beobachtungen Informationssammlung-Daten
Statistik Methoden zur Sammlung &
Analyse Daten
·
=
von
. 2
1 . Variable
eines =
X
,
Großbuchstaben
>
symbolisiert mit (X, Y)
-
Menge aller
möglichen Realisationen-Wertebereich
·
2
mögliche Definitionen
Realisatione der Variable & spezifiziert
① extensional zählt alle
auf intentional gibt eine
Vorschrift an die die Variable
eindeutig
: :
,
mehr sinnvoll
aufzählen kann
- =
Beobachtung Feststellung
der
:
Ausprägung eines Mehmals
, Ausprägung kann beliebige Natu
sein
weiter Cuerbal,
Messung Feststellung des :
bildlich)
einer Variablen we immer numerisch (Musswerte
, , Ergebnisse)
Variablen
2
Typen von
. diskrete Variable
1 : besitzt endlich
viele
feste Werk - werden über Ganzzahlen beschrieben
-
. .
2
. stetige (Kontinuierliche) Variable : kann lunendlich viele beliebige Werte annehme -D werden über relezahlen beschrieben ,
z B
.
.
Körpertemp .
↑ unterscheiden zwischen
Typen von Merkmalen & Typen von Variablen
&
-
>
Messgerät hinreichend kann, werden empirischer Forschung diskrete Variablen oft als stetig
-
wenn
genau messen in
angenommen
② Shala (Shale)
·
Skale =
Festlegung von Einheiten
,
in denen ein
gegebenes Merkmal
gemessen
wird (Einheiten meist numerisch)
> nur Variablen die auf derselben Shala
gemessen werden sind direkt miteinander vergleichbar , sonst Skalentransformation notwendig
-
, ,
in
qualitativ : Nominalskala
Lunterschiede
aufzeigen Ordinalskala
quantitativ Intervallshala
:
vordernissak
ZahlenSage
eine
GBe
Absolutskala
der unterschiede
aus
Kap 3 :
Ordinalskala -bjektiv selten
Intervacestala ? Ordinalskala
① Definition
-Realisatione
& der Skala sind
Variablen können (natürlich)
Realisationen eine
geordnet werden unterscheidbar
·
·
lassen sich der Größe nach sortieren
Zuordnung
-
der Zahl des Merkmals deren
Ordnung
zu den
Ausprägungen =
unter bestimmten
Anwendung von Rechenoperationen Voraussetzungen daubt im Allgemeinen nicht sinnvoll
·
,
-
unterschiedlich
große Realisatione könne als
größer/kleiner interpretict werden Richtung des Unterschieds - wird kodict
·
Beispiel
S I
jehche die Realisation, derto später im
Beziehungsstadium me
6
i
Realisation, desto
je niedrige
"
oder die
(ginge beiden
Zi
zz : 2 -
3 3
Zy : -
75 i 4 -
4
② Zulässige Operationen
·
Aprivalenzrelatione (gleich/ungleich)
qualitative Vergleichsrelationen (größer/kleiner
·
> alleArtenqualitativerVergleich-
ist emaesgroß
ist
-
*
③ Zulässige Transformationen jede beliebige Transformation :
,
so
lang? Transformationsrelation :
und XI
streng monotonen Transformationen Rangordnung Ordnung in
·
eng monoton
=
⑪ kritische
Betrachtung -
Zahlenmäßige
bei Ordinalskala e höheren Skalenniveaus könne Intransitivitäten
auftreten Abstände veränderte
uninformativ
·
angenommene
Lösung :
Transitivität
-
=
As3
&
Shalenniveaus
Annahme eines
niedrigeren B > C
·
- natürliche
Ordnun unmittelbar caraus
↓
=
mus
Einführung Shalenstufen
·
neuer Voraussetzung
folgen
für Aca
=> wenn das nicht
ist
⑤ gegeben
> Intransitivität
numerische Beschreibung -
5 1 . .
Häufigkeiten
ord Variablen
häufig diskret e endlich
·
↳
gibt , wie viele Beobachtungen kleiner oder gleich an einer bestimmten Realisation sind
↳
Berechnung :
aufsummierte Häufigkeiten
Wert von
X(geordnet) f(X =
Xi) F(X[xi)
X1 f(x) f(xy)
X
2
f(x2) f(x1) f(xz) +
...
YK fi f(x +
f(xz)
+
...
+
f(xy)
↑ (XXi) F(0 6) =
0 768
Vorteilungsfunktion ablesen I ?
=
aus
, .
verhalten sich kompermentär zueinander komplementär zu
#(X >,6) =
C1 -
0, 768 =
0 232
.
↳ Komplemata zu .
F(X = 0
,
6) =
1 -
0. 646
Do it Beta
yourself
von . .
(Daten ; 0
, 5)
unterscheidbar ? Ja Nominalskal
· . Mittelwert
2 MITTELWERT (Daten)
Werte -D : =
4
. Min : =
MIN (Daten)
Abstände interpretierbar ? Nein
- 5.
5 Max : = MAX (Daten)
Intervallshala
Ja-d
·
6
. Quantie : =
QUANTIL INKL . (Daten ; Prozentangabe) /
③ Warum day Mu
für Ordinalshalen nicht =
QUARTIL .
INKL (Daten ; Anzahl Quartie z B .
.
1)
berechnet werden 25)
2
I
? 1 Quartie =
QUANTIL ($Dalen$ 0
↓
.
, ,
↓ Autoausfällen
Zahlenweile haben keine
eigene Bedeutung 2 Quartil
·
(nicht vergleichbar) S
. Quaril 0 75
,
⑪ Quartie
an ?
"
Welten maximal
niedrigeren
Personen
bedeutet
niedrigsten weren
>
z B .: das 10 % der mit den
-
,
.
=
QUANTIL INKL
höchstens den Skalenwert
angegeben haben
.
(Daten : 0, 1) = 1 1
-
D z B .
· bedeutet das 40 % der Personen mit den höchsten Ween
,
.
=
QUANTIL INKL .
X
-
z B Quantil (Daten ; 0 3)
>
-
mittlere 30 % (z B) .
=
Median = 15
.
.
,
-
①- ②
1) 65) E
·
QUANTIL (Daten ; 0, 35) QUANTIL (Daten ;
=
= =
0 =
, -
-
>
Verfahren vor !
die bei
Berechnung entsteht
=> bei 2 Stichproben mit unterschiedl .
nicht mehr
QS
vergleichbar
n :
Varianz
Xn - --
Yn vom Mittelwert s2(x) =
& i(X -
* )2
D
erfasst mittlere quadrierte Streuung Mu
-
um
↳a unterschied Zu Q?
·
-
,
-
je größer die
Streuung ,
desto
größer die Varianz 2
-
-
-
Problem :
Varianz ist nicht äquivariant zu linearen
Skalentransformationen !
&
S
+5
-D
verändert Lage ·
Addition :
ander nichts an
Lösung Standardabweichung
:
-
M
17797 aber nicht
breite
Vor/SD
·Multiplikation
%...,
-- 11
der Konstanten
X - verände SD nur um Konst selbst!
=
.
20050 10 .
=
500
wird breite
10-PVerteilung
·
·
dichotome Variablen haben
eigente.
nur Nominalskalenniveau
((un)-gleichheit) nach Lehrbuch
Intransitivitäten sind (nahrliche Ordnung als
ausgeschlossen da 2 Auspr der Variable
gibt
-
es nur
,
.
Vorbedingung wird
entsch
-D
gleiche Abstände zwischen Shalenwerten : immer
efüllt Les gibt nur 2) eher
vernachlässigt) Transitivität
Merkmal betrachten
als
man
S
>
-
y = 0 + 1 + 1 + 1 +
0 + 1 + 0 +
1 +1
+1 +
1 0
-
=
1 +1 +1 + 1 + 0 + + 0
M
kodierten angewandt werden
,
die
auf Mur basieren
Datenreihe (SD, QS, Kovaranz Korrelation)
1
vor
Y 20
( f(x) der
,
z f(x)
= + = = ,
= =
M
Ausprägung 1 -
dürfen auch als Prädiktoren in multiple Regression
=> X =
f(x
=
1) eingesetzt werden
Achtung ?: bei Interpretation der Kennwerte-D Ordnung der Skalenwerk hat keine natürliche Bedeutung !
Beispiel
⑥ Grafische Beschreibung :
Box-whisher-Peol
↑ 2 , 58 x SD(y)
Whisher ender
da wo sie ander müssen a -
Y
~
d 2 58xSP(y)
-
M ,
R *
2 58
,
x
SD(x)
V
* Ausreiße
Hier kamen noch ein paar Anwendungsaufgaben (noch nicht rausgeschrieben)