Da Technologie in unserem t\u00e4glichen Leben immer pr\u00e4senter wird, werden mehr Daten generiert und gesammelt als je zuvor in der Geschichte der Menschheit.<\/span><\/p>\n Statistiken sind der Bereich, der uns helfen kann zu verstehen, wie wir diese Daten zur Ausf\u00fchrung der folgenden Aufgaben nutzen k\u00f6nnen:<\/span><\/p>\n In diesem Artikel teilen wir 10 Gr\u00fcnde, warum der Bereich Statistik im modernen Leben so wichtig ist.<\/span><\/p>\n Beschreibende Statistiken<\/a> werden verwendet, um ein St\u00fcck Rohdaten zu beschreiben. Es gibt drei Haupttypen der deskriptiven Statistik:<\/span><\/p>\n Jedes dieser Elemente kann uns helfen, vorhandene Daten besser zu verstehen.<\/span><\/p>\n Nehmen wir zum Beispiel an, wir haben einen Rohdatensatz, der die Testergebnisse von 10.000 Sch\u00fclern in einer bestimmten Stadt zeigt. Wir k\u00f6nnen deskriptive Statistiken verwenden, um:<\/span><\/p>\n Durch die Verwendung deskriptiver Statistiken k\u00f6nnen wir die Testergebnisse der Sch\u00fcler viel einfacher verstehen, als wenn wir nur die Rohdaten betrachten.<\/span><\/p>\n In Zeitschriften, Medien, Online-Artikeln und Magazinen werden immer mehr Grafiken generiert.<\/span> Leider k\u00f6nnen Diagramme oft irref\u00fchrend sein, wenn Sie die zugrunde liegenden Daten nicht verstehen.<\/span><\/p>\n Angenommen, eine Zeitschrift ver\u00f6ffentlicht eine Studie, die eine negative Korrelation zwischen den GPA- und ACT-Ergebnissen von Studenten einer bestimmten Universit\u00e4t feststellt.<\/span><\/p>\n Dieser negative Zusammenhang tritt jedoch nur auf, weil Studierende mit einem<\/em> hohen GPA- und ACT-Ergebnis eine Eliteuniversit\u00e4t besuchen k\u00f6nnen, w\u00e4hrend Studierende mit einem<\/em> niedrigen GPA- und ACT-Ergebnis \u00fcberhaupt nicht zugelassen werden.<\/span> <\/p>\n Obwohl die Korrelation zwischen ACT und GPA in der Bev\u00f6lkerung positiv ist, scheint die Korrelation in der Stichprobe negativ zu sein.<\/span><\/p>\n Diese besondere Voreingenommenheit wird als Berkson-Voreingenommenheit<\/a> bezeichnet. Wenn Sie sich dieser Voreingenommenheit bewusst sind, k\u00f6nnen Sie vermeiden, durch bestimmte Diagramme in die Irre gef\u00fchrt zu werden.<\/span><\/p>\n Ein wichtiges Konzept, das Sie in der Statistik kennenlernen werden, ist das Konzept der verwirrenden Variablen<\/a> .<\/span><\/p>\n Dies sind Variablen, die nicht ber\u00fccksichtigt werden und die Ergebnisse eines Experiments verf\u00e4lschen<\/em> und zu unzuverl\u00e4ssigen Schlussfolgerungen f\u00fchren k\u00f6nnen.<\/span><\/p>\n Angenommen, ein Forscher sammelt Daten \u00fcber Eisverk\u00e4ufe und Hai-Angriffe und stellt fest, dass die beiden Variablen stark korrelieren. Bedeutet das, dass gestiegene Eisverk\u00e4ufe zu mehr Hai-Angriffen f\u00fchren?<\/span><\/p>\n Es ist unwahrscheinlich. Die wahrscheinlichste Ursache ist die verwirrende Variable Temperatur<\/strong> . Wenn es drau\u00dfen w\u00e4rmer ist, kaufen mehr Menschen Eis und mehr Menschen gehen ans Meer.<\/span> <\/p>\n Eines der wichtigsten Teilgebiete der Statistik ist die Wahrscheinlichkeitsrechnung<\/strong> . Es ist das Fachgebiet, das die Wahrscheinlichkeit des Eintretens von Ereignissen untersucht.<\/span><\/p>\n Wenn Sie \u00fcber ein grundlegendes Verst\u00e4ndnis der Wahrscheinlichkeit verf\u00fcgen, k\u00f6nnen Sie in der realen Welt fundiertere Entscheidungen treffen.<\/span><\/p>\n Angenommen, ein Gymnasiast wei\u00df, dass seine Chance, an einer bestimmten Universit\u00e4t angenommen zu werden, bei 10 % liegt. Mithilfe der Formel f\u00fcr die Wahrscheinlichkeit, \u201emindestens eins\u201c zu bestehen<\/a> , kann dieser Student die Wahrscheinlichkeit ermitteln, dass er an mindestens einer Hochschule angenommen wird, an der er sich bewirbt, und kann die Anzahl der Hochschulen, an denen er sich bewirbt, je nach Ergebnis anpassen.<\/span><\/p>\n Ein weiteres wichtiges Konzept, das Sie in der Statistik kennenlernen werden, sind p-Werte<\/a> .<\/span><\/p>\n Die klassische Definition eines p-Werts lautet:<\/span><\/p>\n Ein p-Wert<\/strong> ist die Wahrscheinlichkeit, eine Stichprobenstatistik zu beobachten, die mindestens so extrem ist wie Ihre Stichprobenstatistik, vorausgesetzt, die Nullhypothese ist wahr.<\/span><\/p>\n<\/blockquote>\n Angenommen, eine Fabrik gibt an, Reifen mit einem Durchschnittsgewicht von 200 Pfund herzustellen. Ein Pr\u00fcfer geht davon aus, dass das tats\u00e4chliche Durchschnittsgewicht der in diesem Werk produzierten Reifen um 200 Pfund davon abweicht. Also f\u00fchrt er einen Hypothesentest durch und stellt fest, dass der p-Wert des Tests 0,04 betr\u00e4gt.<\/span><\/p>\n So interpretieren Sie diesen p-Wert:<\/span><\/p>\n Wenn die Fabrik tats\u00e4chlich Reifen mit einem durchschnittlichen Gewicht von 200 Pfund herstellt, erzielen 4 % aller Audits aufgrund zuf\u00e4lliger Stichprobenfehler den in der Stichprobe beobachteten Effekt oder mehr. Dies zeigt uns, dass der Erhalt der vom Pr\u00fcfer erhaltenen Beispieldaten recht selten w\u00e4re, wenn die Fabrik tats\u00e4chlich Reifen mit einem Durchschnittsgewicht von 200 Pfund produzierte.<\/span><\/p>\n Daher w\u00fcrde der Pr\u00fcfer wahrscheinlich die Nullhypothese zur\u00fcckweisen, dass das tats\u00e4chliche Durchschnittsgewicht der in diesem Werk hergestellten Reifen tats\u00e4chlich 200 Pfund betr\u00e4gt.<\/span><\/p>\n Ein weiteres wichtiges Konzept, das Sie in der Statistik kennenlernen werden, ist die Korrelation<\/a> , die uns den linearen Zusammenhang zwischen zwei Variablen verr\u00e4t.<\/span><\/p>\n Der Wert eines Korrelationskoeffizienten liegt immer zwischen -1 und 1, wobei:<\/span><\/p>\n Wenn Sie diese Werte verstehen, k\u00f6nnen Sie die Beziehung zwischen Variablen in der realen Welt verstehen.<\/span><\/p>\n Wenn beispielsweise die Korrelation zwischen Werbeausgaben und Einnahmen 0,87 betr\u00e4gt, k\u00f6nnen Sie verstehen, dass zwischen den beiden Variablen ein starker positiver Zusammenhang besteht. Wenn Sie mehr Geld f\u00fcr Werbung ausgeben, k\u00f6nnen Sie mit einer vorhersehbaren Umsatzsteigerung rechnen.<\/span><\/p>\n Ein weiterer wichtiger Grund, Statistiken zu lernen, ist das Verst\u00e4ndnis grundlegender Regressionsmodelle wie:<\/span><\/p>\n Mit jedem dieser Modelle k\u00f6nnen Sie Vorhersagen \u00fcber den zuk\u00fcnftigen Wert einer Antwortvariablen<\/a> basierend auf dem Wert bestimmter Pr\u00e4diktorvariablen im Modell treffen.<\/span><\/p>\n Beispielsweise verwenden Unternehmen in der realen Welt st\u00e4ndig mehrere lineare Regressionsmodelle, wenn sie Pr\u00e4diktorvariablen wie Alter, Einkommen, ethnische Zugeh\u00f6rigkeit usw. verwenden. um vorherzusagen, wie viele Kunden in ihren Gesch\u00e4ften Geld ausgeben werden.<\/span><\/p>\n Ebenso nutzen Logistikunternehmen pr\u00e4diktive Variablen wie Gesamtnachfrage, Bev\u00f6lkerungsgr\u00f6\u00dfe usw. um zuk\u00fcnftige Ums\u00e4tze zu prognostizieren.<\/span><\/p>\n Unabh\u00e4ngig davon, in welchem Bereich Sie arbeiten, besteht eine gute Chance, dass Regressionsmodelle zur Vorhersage eines zuk\u00fcnftigen Ph\u00e4nomens verwendet werden.<\/span><\/p>\n Ein weiterer Grund, sich mit Statistik zu befassen, besteht darin, sich der verschiedenen Arten von Verzerrungen bewusst zu sein, die in realen Studien auftreten k\u00f6nnen.<\/span><\/p>\n Hier sind einige Beispiele:<\/span><\/p>\n Wenn Sie \u00fcber ein grundlegendes Verst\u00e4ndnis dieser Art von Voreingenommenheit verf\u00fcgen, k\u00f6nnen Sie sie bei der Durchf\u00fchrung von Forschungsarbeiten vermeiden oder sich ihrer beim Lesen anderer Forschungsarbeiten oder Studien bewusst sein.<\/span><\/p>\n Viele statistische Tests basieren auf Annahmen \u00fcber die zugrunde liegenden Daten, die untersucht werden.<\/span><\/p>\n Wenn Sie die Ergebnisse einer Studie lesen oder sogar eine eigene Studie durchf\u00fchren, ist es wichtig zu verstehen, welche Annahmen getroffen werden m\u00fcssen, damit die Ergebnisse zuverl\u00e4ssig sind.<\/span><\/p>\n In den folgenden Artikeln werden die Annahmen beschrieben, die in vielen h\u00e4ufig verwendeten statistischen Tests und Verfahren getroffen werden:<\/span><\/p>\n Ein weiterer Grund, Statistik zu studieren, besteht darin, das Konzept der \u00dcbergeneralisierung<\/strong> zu verstehen.<\/span><\/p>\n Dies liegt vor, wenn die an einer Studie teilnehmenden Personen nicht repr\u00e4sentativ<\/a> f\u00fcr die Gesamtbev\u00f6lkerung sind und es daher unangemessen ist, die Ergebnisse einer Studie auf die Gesamtbev\u00f6lkerung zu \u00fcbertragen.<\/span><\/p>\n Nehmen wir zum Beispiel an, wir m\u00f6chten wissen, wie viel Prozent der Sch\u00fcler einer bestimmten Schule \u201eDrama\u201c als ihr Lieblingsfilmgenre bevorzugen. Wenn die gesamte Sch\u00fclerschaft eine Mischung aus 50 % Jungen und 50 % M\u00e4dchen ist, dann k\u00f6nnte eine Stichprobe, die aus 90 % Jungen und 10 % M\u00e4dchen besteht, zu verzerrten Ergebnissen f\u00fchren, wenn deutlich weniger Jungen Theater als Lieblingsgenre bevorzugen.<\/span><\/p>\n Im Idealfall m\u00f6chten wir, dass unsere Stichprobe einer \u201eMiniversion\u201c unserer Grundgesamtheit \u00e4hnelt. Wenn also die gesamte Sch\u00fclerschaft zu 50 % aus M\u00e4dchen und zu 50 % aus Jungen besteht, w\u00e4re unsere Stichprobe nicht repr\u00e4sentativ, wenn sie 90 % Jungen und nur 10 % M\u00e4dchen umfassen w\u00fcrde.<\/span> <\/p>\n Unabh\u00e4ngig davon, ob Sie Ihre eigene Umfrage durchf\u00fchren oder die Ergebnisse einer Umfrage lesen, ist es wichtig zu verstehen, ob die Stichprobendaten f\u00fcr die Gesamtbev\u00f6lkerung repr\u00e4sentativ sind und ob die Umfrageergebnisse zuverl\u00e4ssig auf die Bev\u00f6lkerung \u00fcbertragen werden k\u00f6nnen.<\/span><\/p>\n Sehen Sie sich die folgenden Artikel an, um ein grundlegendes Verst\u00e4ndnis der wichtigsten Konzepte der Einf\u00fchrungsstatistik zu erlangen:<\/span><\/p>\n Beschreibende oder inferenzielle Statistik<\/a> Der Bereich Statistik besch\u00e4ftigt sich mit der Erhebung, Analyse, Interpretation und Darstellung von Daten. Da Technologie in unserem t\u00e4glichen Leben immer pr\u00e4senter wird, werden mehr Daten generiert und gesammelt als je zuvor in der Geschichte der Menschheit. Statistiken sind der Bereich, der uns helfen kann zu verstehen, wie wir diese Daten zur Ausf\u00fchrung der folgenden […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Grund 1: Beschreibende Statistiken verwenden, um die Welt zu verstehen<\/strong><\/span><\/h3>\n
\n
\n
Grund 2: Vorsicht vor irref\u00fchrenden Grafiken<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/berkson6.png\")
<\/p>\n Grund 3: Seien Sie vorsichtig bei verwirrenden Variablen<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/confondre4.png\")
<\/p>\n Grund 4: bessere Entscheidungen anhand von Wahrscheinlichkeiten treffen<\/strong><\/span><\/h3>\n
Grund 5: P-Werte in der Forschung verstehen<\/strong><\/span><\/h3>\n
\n
Grund 6: Verstehen Sie den Zusammenhang<\/strong><\/span><\/h3>\n
\n
Grund 7: Machen Sie Vorhersagen \u00fcber die Zukunft<\/strong><\/span><\/h3>\n
\n
Grund 8: M\u00f6gliche Verzerrungen in Studien verstehen<\/strong><\/span><\/h3>\n
\n
Grund 9: Verstehen Sie die Annahmen statistischer Tests<\/strong><\/span><\/h3>\n
\n
Grund 10: Um eine \u00dcberverallgemeinerung zu vermeiden<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rep_sample1.jpg\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Bev\u00f6lkerung vs. Probe<\/a>
Statistiken vs. Parameter<\/a>
Qualitative und quantitative Variablen<\/a>
Messniveaus: nominal, ordinal, Intervall und Verh\u00e4ltnis<\/p>\n","protected":false},"excerpt":{"rendered":"