Statistik mit Python
Details
| ID | 1252612 |
| Dauer | 3.0 Tage |
| Methoden | Vortrag mit Beispielen und Übungen. |
| Vorwissen | Allgemeine Kenntnisse der Mathematik |
| Zielgruppe | Datenanalysten |
Ziele
Datensätze beschreiben
Lernen Sie, mit Lage- und Streuungsmaßen Datensätze zu beschreibenZusammenhängen aufdecken
Weisen Sie Zusammenhänge zwischen Datenreihen nachStatistische Modelle entwickeln
Verwenden Sie Regression, um Daten in Modellen zu erklärenRechnen mit Wahrscheinlichkeiten
Setzen Sie induktive Statistik für Wahrscheinlichkeiten einHypothesen testen und nachweisen
Sehen Sie, wie Sie Hypothesen über die Grundgesamtheit prüfenWahrscheinlichkeitsverteilungen kennenlernen
Lernen Sie gängige Verteilungen kennen und nutzenSchlussfolgerungen über die Grundgesamtheit treffen
Leiten Sie aus der Stichprobe Eigenschaften über die Grundgesamtheit abÜbersicht
Python ist eine freie und damit kostenlose Programmiersprache, die man auch für statistisches Rechnen und statistische Grafiken einsetzen kann. Python gilt zunehmend als die statistische Standardsprache sowohl im kommerziellen als auch im wissenschaftlichen Bereich. Der Funktionsumfang von Python kann durch eine Vielzahl von Paketen erweitert und an spezifische statistische Problemstellungen angepasst werden. Dieses Seminar zeigt Ihnen zunächst, wie sie mit Python grundsätzlich arbeiten können und Daten lesen und schreiben sowie Grafiken erzeugen können. Im zweiten Teil beschäftigen Sie sich mit deskriptiver Statistik, d.h. statistischen Lage- und Streuungsmaßen für metrische Daten und Korrelation sowie Kennzahlen für kategoriale Daten. Im dritten Teil lernen Sie die Theorie der Wahrscheinlichkeit sowie die gängigen statistischen Standard-Verteilungen kennen. Danach lernen Sie, typische Fragestellungen für kategoriale und metrische Daten mit Hilfe der induktiven Statistik zu beantworten und so von der Stichprobe auf die Grundgesamtheit zu schließen. Im letzten Teil erstellen Sie statistische Modelle und komplexe Analysen mit Hilfe der Regressionsanalyse, der Varianzanalyse und auch der Clusteranalyse.
Termine
Zurzeit stehen keine offenen Termine zur Verfügung. Nutzen Sie alternativ die Inhouse‑Option.
Lernen Sie anhand maßgeschneiderter Beispiele und Inhalte – passgenau für Ihre Anforderungen.
Ihre Vorteile im Überblick
- Flexibles Wunschdatum
- Maßgeschneiderte Inhalte
- Intensiver Austausch
- Hoher Praxisbezug
Comelio Medien
Noch auf der Suche nach weiterführender Literatur? Entdecken Sie passende Fachbücher in unserem Katalog.
Themen
- Daten beschreiben, darstellen und zusammenfassen
- Statistische Modelle für Prognosen und Erklärungen mit der linearen Regression aufbauen
- Wahrscheinlichkeitstheorie verstehen und anwenden
- Eigenschaften von Daten prüfen und mit Hypothesentests nachweisen
- Daten mit Python bearbeiten
Beschreibung
Nutzen Sie Python für die deskriptive und induktive Datenanalyse und beschreiben Sie Daten, weisen Sie Eigenschaften nach und prüfen Hypothesen.Services
- Mittagessen / Catering
- Hilfe bei Hotel / Anreise
- Comelio-Zertifikat
- Flexibel: Bis einen Tag vorher kostenlos stornieren
Inhalt
Einführung in Python
Aufrufen und Beenden von Python - Fragebogen und Kodierung - Variablen, Vektoren, Matrizen und Tabellen - Data Frames: Ansprechen einzelner Variablen, Filtern von Fällen, Transformation von Daten - Arbeiten mit MS Excel und Text-Dateien für Import/Export - Grafiken und Diagramme erstellenDeskriptive Statistik: Eindimensionale Häufigkeitsverteilungen
Häufigkeitsverteilungen und grafische Darstellung bei verschiedenen Skalen - Maßzahlen der Häufigkeit: Mittelwerte (Modus, Zentralwert, Quantile, Arithmetisches / geometrisches / harmonisches Mittel - Streuungsmaße: Spannweite, Quartilsabstand, Mittlere absolute Abweichung, empirische Standardabweichung, Variationskoeffizient - Formparameter: Schiefemaße, WölbungsmaßeInduktive Statistik: Wahrscheinlichkeitstheorie
Grundlagen: Zufallsexperiment, Ergebnismenge und Ereignis, Zusammengesetzte Ereignisse, Absolute und relative Häufigkeiten - Wahrscheinlichkeitsbegriffe: Klassischer, statistischer und subjektiver Wahrscheinlichkeitsbegriff - Rechnen mit Wahrscheinlichkeiten: Axiome und ihre Folgerungen, Bedingte Wahrscheinlichkeit, Multiplikationssatz, Stochastische Unabhängigkeit, Satz der totalen Wahrscheinlichkeit, Bayessches TheoremInduktive Statistik: Wahrscheinlichkeitsverteilungen
Zufallsvariablen - Diskrete Verteilungen: Binomialverteilung, Poissonverteilung, Hypergeometrische Verteilung, Geometrische Verteilung - Stetige Verteilungen: Gleichverteilung, Exponentialverteilung, Normalverteilung - Maßzahlen: Erwartungswert, Mathematische Erwartung, VarianzAnalysen für kategoriale Daten
Fragestellungen und Analysen sowie statistische Tests - Kommen alle Kategorien gleich häufig vor? - Entsprechen Häufigkeiten bestimmten Vorgaben? - Hat ein Anteil einen bestimmten Wert? - Unterscheiden sich Anteile in zwei oder mehr Gruppen? - Sind zwei kategoriale Variablen unabhängig? - Unterscheidet sich das Risiko in zwei Gruppen?Analysen für metrische Daten
Fragestellungen und Analysen sowie statistische Tests - Wie kann man die Verteilung von metrischen Daten beschreiben? - Ist der Mittelwert der Grundgesamtheit anders als eine bestimmte Vorgabe? - Folgt eine metrische Variable einer bestimmten Verteilung? - Wie stark ist der Zusammenhang? - Welche Form hat der Zusammenhang? - Unterscheiden sich Mittelwerte? - Wie kann man den zeitlichen Verlauf beschreiben?Dozent/in
Unser Python-Trainer Marco Skulschus studierte in Wuppertal und Paris Ökonomie und arbeitet schon seit mehr als 10 Jahren als Dozent, Berater und auch Fachbuch-Autor zum Thema Datenbanken, statistische Datenanalyse, Data Mining und Python. Er unterrichtet deskriptive und induktive Statistik, multivariate Verfahren und Data Mining für die Bereiche Controlling und Marketing bzw. Marktforschung.Veröffentlichungen
- Grundlagen empirische Sozialforschung (Comelio Medien)
978-3-939701-23-1 - System und Systematik von Fragebögen (Comelio Medien)
978-3-939701-26-2