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 beschreiben

Zusammenhängen aufdecken

Weisen Sie Zusammenhänge zwischen Datenreihen nach

Statistische Modelle entwickeln

Verwenden Sie Regression, um Daten in Modellen zu erklären

Rechnen mit Wahrscheinlichkeiten

Setzen Sie induktive Statistik für Wahrscheinlichkeiten ein

Hypothesen testen und nachweisen

Sehen Sie, wie Sie Hypothesen über die Grundgesamtheit prüfen

Wahrscheinlichkeitsverteilungen kennenlernen

Lernen Sie gängige Verteilungen kennen und nutzen

Schlussfolgerungen über die Grundgesamtheit treffen

Leiten Sie aus der Stichprobe Eigenschaften über die Grundgesamtheit ab

Übersicht

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

OPEN

INHOUSE

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.

Zum Bücherkatalog

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 erstellen

Deskriptive 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, Wölbungsmaße

Induktive 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 Theorem

Induktive Statistik: Wahrscheinlichkeitsverteilungen

Zufallsvariablen - Diskrete Verteilungen: Binomialverteilung, Poissonverteilung, Hypergeometrische Verteilung, Geometrische Verteilung - Stetige Verteilungen: Gleichverteilung, Exponentialverteilung, Normalverteilung - Maßzahlen: Erwartungswert, Mathematische Erwartung, Varianz

Analysen 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?