糖心vlog官网观看

In diesem ersten Modul werden wir die grundlegenden Konzepte der deskriptiven Statistik vorstellen. Wir sprechen 眉ber F盲lle und Variablen und erkl盲ren, wie Sie diese in einer sogenannten Datenmatrix anordnen k枚nnen. Wir besprechen die verschiedenen Messgr枚脽en und zeigen Ihnen, wie Sie Ihre Daten mit Hilfe von Tabellen und Grafiken darstellen k枚nnen. Au脽erdem stellen wir Ihnen Ma脽e der zentralen Tendenz (wie Modus, Median und Mittelwert) und der Streuung (wie Spannweite, Interquartilsabstand, Varianz und Standardabweichung) vor. Wir sagen Ihnen nicht nur, wie Sie sie interpretieren k枚nnen, sondern erkl盲ren Ihnen auch, wie Sie sie berechnen k枚nnen. Schlie脽lich erfahren Sie mehr 眉ber z-Scores. In diesem Modul werden wir nur Situationen behandeln, in denen wir eine einzige Variable analysieren. Dies nennen wir univariate Analyse. Im n盲chsten Modul werden wir auch Studien vorstellen, an denen mehr Variablen beteiligt sind.

In diesem zweiten Modul befassen wir uns mit bivariaten Analysen: Studien mit zwei Variablen. Zun盲chst werden wir das Konzept der Korrelation einf眉hren. Wir untersuchen Kontingenztabellen (wenn es um kategorische Variablen geht) und Streudiagramme (bei quantitativen Variablen). Wir werden auch lernen, wie man eines der am h盲ufigsten verwendeten Korrelationsma脽e versteht und berechnet: Pearson's r. Im n盲chsten Teil des Moduls werden wir die Methode der OLS-Regressionsanalyse vorstellen. Wir erkl盲ren Ihnen, wie Sie (oder der Computer) die Regressionslinie finden k枚nnen und wie Sie diese Linie mit Hilfe einer Gleichung beschreiben k枚nnen. Wir zeigen Ihnen, dass Sie mit Hilfe des so genannten r-Quadrats beurteilen k枚nnen, wie gut die Regressionslinie zu Ihren Daten passt. Wir schlie脽en das Modul mit einer Diskussion dar眉ber ab, warum Sie bei der Interpretation der Ergebnisse einer Regressionsanalyse immer sehr vorsichtig sein sollten.

In diesem Modul werden Konzepte aus der Wahrscheinlichkeitstheorie und die Regeln 蹿眉谤 das Rechnen mit Wahrscheinlichkeiten vorgestellt. Dies ist nicht nur n眉tzlich, um verschiedene Arten von angewandten statistischen Fragen zu beantworten, sondern auch, um die statistischen Analysen zu verstehen, die in den nachfolgenden Modulen eingef眉hrt werden. Wir beginnen mit einer Beschreibung des Zufalls und erkl盲ren, wie zuf盲llige Ereignisse uns umgeben. Als N盲chstes geben wir eine intuitive Definition der Wahrscheinlichkeit anhand eines Beispiels und setzen diese in Beziehung zu den Konzepten von Ereignissen, Stichprobenraum und Zufallsversuchen. Auch hier wird ein grafisches Hilfsmittel zum Verst盲ndnis dieser Konzepte eingef眉hrt, das Baumdiagramm. danach werden eine Reihe von Konzepten aus der Mengenlehre erkl盲rt und mit Wahrscheinlichkeitsberechnungen in Verbindung gebracht. Auch hier wird der Bezug zu Baumdiagrammen und Kontingenztabellen hergestellt. Wir enden mit einer Lektion, in der bedingte Wahrscheinlichkeiten, Unabh盲ngigkeit und die Bayes-Regel erkl盲rt werden. Alles in allem ist dies ein recht theoretisches Modul zu einem Thema, das nicht immer leicht zu verstehen ist. Aus diesem Grund haben wir so viele intuitive Beispiele wie m枚glich eingebaut.

Wahrscheinlichkeitsverteilungen bilden den Kern vieler statistischer Berechnungen. Sie werden als mathematische Modelle verwendet, um ein zuf盲lliges Ph盲nomen darzustellen und anschlie脽end statistische Fragen 眉ber dieses Ph盲nomen zu beantworten. Dieses Modul beginnt mit der Erl盲uterung der grundlegenden Eigenschaften einer Wahrscheinlichkeitsverteilung, wobei hervorgehoben wird, wie sie eine Zufallsvariable quantifiziert und wie sie sich von diskreten und kontinuierlichen Zufallsvariablen unterscheidet. Anschlie脽end wird die kumulative Wahrscheinlichkeitsverteilung eingef眉hrt und ihre Eigenschaften und Verwendung werden ebenfalls erkl盲rt. In einer weiteren Vorlesung wird gezeigt, wie eine Zufallsvariable mit ihrer zugeh枚rigen Wahrscheinlichkeitsverteilung durch Statistiken wie Mittelwert und Varianz charakterisiert werden kann, genau wie bei Beobachtungsdaten. Die Auswirkungen der Ver盲nderung von Zufallsvariablen durch Multiplikation oder Addition auf diese Statistiken werden ebenfalls erl盲utert.Die Vorlesung f眉hrt anschlie脽end in die Normalverteilung ein, wobei zun盲chst ihre Funktionsform und einige allgemeine Eigenschaften erkl盲rt werden. Als n盲chstes wird die grundlegende Verwendung der Normalverteilung zur Berechnung von Wahrscheinlichkeiten erl盲utert. Und in einer letzten Vorlesung wird die Binomialverteilung, eine wichtige Wahrscheinlichkeitsverteilung 蹿眉谤 diskrete Daten, vorgestellt und n盲her erl盲utert. Am Ende dieses Moduls haben Sie einiges gelernt und verf眉gen 眉ber eine solide Grundlage, um die am h盲ufigsten auftretenden statistischen Fragen zu beantworten. Wichtig ist, dass das hier vermittelte Grundwissen 眉ber Wahrscheinlichkeitsverteilungen auch eine solide Grundlage 蹿眉谤 das Erlernen der Inferenzstatistik in den n盲chsten Modulen bildet.

Methoden zur Zusammenfassung von Stichprobendaten werden als deskriptive Statistik bezeichnet. In den meisten Studien sind wir jedoch nicht an Stichproben interessiert, sondern an den zugrunde liegenden Populationen. Wenn wir Daten aus einer Stichprobe verwenden, um Schlussfolgerungen 眉ber eine breitere Population zu ziehen, verwenden wir Methoden der inferentiellen Statistik. Es ist daher von entscheidender Bedeutung, dass Sie wissen, wie Sie Stichproben ziehen sollten. In diesem Modul werden wir uns sowohl mit guten als auch mit schlechten Stichprobenmethoden befassen. Um R眉ckschl眉sse auf die Population zu ziehen, aus der eine Stichprobe stammt, nutzen Forscher eine Wahrscheinlichkeitsverteilung, die in der Welt der Statistik sehr wichtig ist: die Stichprobenverteilung. Wir werden die Stichprobenverteilung im Detail besprechen und sie mit der Verteilung von Daten und der Verteilung der Grundgesamtheit vergleichen. Wir werden uns die Stichprobenverteilung des Stichprobenmittelwerts und die Stichprobenverteilung des Stichprobenanteils ansehen.

Wir k枚nnen zwei Arten von statistischen Schlussfolgerungsmethoden unterscheiden. Wir k枚nnen: (1) Bev枚lkerungsparameter sch盲tzen und (2) Hypothesen 眉ber diese Parameter testen. In diesem Modul werden wir 眉ber die erste Art der Inferenzstatistik sprechen: die Sch盲tzung anhand eines Konfidenzintervalls. Ein Konfidenzintervall ist ein Zahlenbereich, der h枚chstwahrscheinlich den tats盲chlichen Populationswert enth盲lt. Die Wahrscheinlichkeit, dass das Intervall tats盲chlich den Wert der Grundgesamtheit enth盲lt, nennen wir das Konfidenzniveau. In diesem Modul zeigen wir Ihnen, wie Sie Konfidenzintervalle 蹿眉谤 Mittelwerte und Proportionen konstruieren k枚nnen und wie Sie sie interpretieren sollten. Wir werden auch darauf eingehen, wie Sie entscheiden k枚nnen, wie gro脽 Ihre Stichprobengr枚脽e sein sollte.

In diesem Modul werden wir 眉ber statistische Hypothesen sprechen. Sie bilden die wichtigsten Bestandteile der Methode der Signifikanztests. Eine Hypothese ist nichts anderes als eine Erwartung 眉ber eine Population. Wenn wir einen Signifikanztest durchf眉hren, verwenden wir (genau wie bei der Konstruktion eines Konfidenzintervalls) Stichprobendaten, um R眉ckschl眉sse auf Populationsparameter zu ziehen. Der Signifikanztest ist also auch eine Methode der Inferenzstatistik. Wir werden zeigen, dass jeder Signifikanztest auf zwei Hypothesen basiert: die Nullhypothese und die Alternativhypothese. Wenn Sie einen Signifikanztest durchf眉hren, gehen Sie davon aus, dass die Nullhypothese wahr ist, es sei denn, Ihre Daten liefern eindeutige Beweise gegen sie. Wir zeigen Ihnen, wie Sie einen Signifikanztest 眉ber einen Mittelwert und einen Test 眉ber einen Anteil durchf眉hren k枚nnen. Wir werden auch zeigen, dass Signifikanztests und Konfidenzintervalle eng miteinander verbunden sind. Wir schlie脽en das Modul mit dem Argument ab, dass Sie bei der Durchf眉hrung eines Tests richtige und falsche Entscheidungen treffen k枚nnen. Falsche Entscheidungen werden als Fehler vom Typ I und Typ II bezeichnet.

Dies ist das letzte Modul, in dem Sie alles, was Sie bis jetzt gelernt haben, in der 础产蝉肠丑濒耻蝉蝉辫谤眉蹿耻苍驳 anwenden k枚nnen. Bitte beachten Sie, dass Sie die 础产蝉肠丑濒耻蝉蝉辫谤眉蹿耻苍驳 nur einmal im Monat ablegen k枚nnen. Stellen Sie also sicher, dass Sie sich vollst盲ndig auf die Pr眉fung vorbereitet haben. Bitte halten Sie sich an den Ehrenkodex und kommunizieren oder konferieren Sie nicht mit anderen, w盲hrend Sie diese Pr眉fung ablegen. Viel Gl眉ck!