Search this site
Embedded Files
Olaf Bochmann
  • Home
  • Publications
    • Ph.D. Thesis
  • Teaching
    • Data Science
    • Machine Learning
    • EE
    • execMBA
    • MoSim
    • networks
    • StoPro
    • Statistics
    • Finance ML
    • Mathematische Grundlagen für Feedforward-Neuronale Netzwerke
Olaf Bochmann

Statistik

B13.1 Statistik (SL) 1. Zug, B13.2 Statistik (PCÜ) 1. Zug, 1.+2. Gruppe WiSe 2019/20

HTW Fachbereich 4: Informatik, Kommunikation und Wirtschaft

Studiengang Wirtschaftskommunikation (B)

Aktuelles:

Die Lehrveranstaltung B13.2 Statistik (PCÜ) 1. Zug, 1. Gruppe am 6.1.2020, 8:00 - 11:15 fällt aus und wird auf den 13.1.2020 verlegt. Sie findet zusammen mit der 2. Gruppe  8:00 - 11:15 im Raum WH C 449 statt. 

Es wird eine Übung zur Prüfungsvorbereitung geben. 


Die Lehrveranstaltung Statistik (Vorlesung) 1. Zug am 6.1.2020 14:00 - 15:30 fällt aus. 

Wir sehen uns am 13.1.2020 zur Prüfungsvorbereitung wieder. Bearbeiten Sie bis dahin alle Übungsblätter mit Schwerpunkt auf Prüfungsrelevante Fragen. 

  • Eindimensionale Darstellung qualitativer Merkmale

  • Bivariate Darstellung kategorialer Merkmale

  • Eindimensionale Darstellung quantitativer Merkmale

  • Bivariate Darstellung quantitativer Merkmale

  • Grundlagen der induktiven Statistik

  • Testen von Hypothesen über Unterschiede und Zusammenhänge

Aktuelles:
Statistik (SL)
Seminarplan
1. Einführung
2. Statistik – Einführung
3. Eindimensionale Darstellung qualitativer Merkmale
4. Bivariate Darstellung kategorialer Merkmale
5. Eindimensionale Darstellung quantitativer Merkmale
6. Bivariate Darstellung quantitativer Merkmale
7. Grundlagen der induktiven Statistik: Zufall, Zufallsverteilung, Kennwerte zufälliger Stichproben
8. Testen von Hypothesen über Unterschiede und Zusammenhänge
Statistik (PCÜ)
Seminarplan
1. SPSS Statistics
2. SPSS Daten-Management
3. SPSS Descriptive Startistik
4. Python Eindimensionale Darstellung qualitativer Merkmale
5. Python Bivariate Darstellung kategorialer Merkmale
6. Python Eindimensionale Darstellung quantitativer Merkmale
7. Python Bivariate Darstellung quantitativer Merkmale
8. Python Grundlagen der induktiven Statistik
9. Testen von Hypothesen über Unterschiede und Zusammenhänge
Referat Marktforschungsstudie
1. Prüfung
2. Prüfung
MDS of Correlation Distances

Statistik (SL)

B13.1 1 SL Statistik.pdf

Seminarplan

B13.1 Statistik SWS 1-2.pdf

1. Einführung

7.10.2019

B13.1 Statistik SWS 3-4.pdf

2. Statistik – Einführung

14.10.2019

B13.1 Statistik SWS 5-6.pdf

3. Eindimensionale Darstellung qualitativer Merkmale

21.10.2019

Jupyter Notebook (Python)

Absolute, relative Häufigkeit

Modus (Mittelwert)

Median (Zentralwert)

Median (Zentralwert) über Häufigkeitstabelle

B13.1 Statistik SWS 7-8.pdf

4. Bivariate Darstellung kategorialer Merkmale 

28.10.2019, 4.11.2019

Jupyter Notebook (Python)

Chi Quadrat Unabhängigkeitstest 1

Chi Quadrat Unabhängigkeitstest 2

Abhängigkeit und Kontingenzkoeffizient

Chi-Quadrat Unabhängigkeitstest

B13.1 Statistik SWS 9-10.pdf

5. Eindimensionale Darstellung quantitativer Merkmale

4.11.2019, 11.11.2019

Jupyter Notebook (Python)

Korrelationskoeffizient, linearer Zusammenhang

Lineare Regression, Sxx, Sxy, Syy

Regressionsgeraden, lineare Regression

Einfache Lineare Regression Basics

Kovarianz und Korrelation

Korrelationskoeffizient

Regressionsanalyse

Deriving the least squares estimators

B13.1 Statistik SWS 11-12.pdf

6. Bivariate Darstellung quantitativer Merkmale

18.11.2019, 24.11.2019, 2.12.2019

Jupyter Notebook (Python)

Lineare Regression (Python)

B13.1 Statistik SWS 13-14.pdf

7. Grundlagen der induktiven Statistik: Zufall, Zufallsverteilung, Kennwerte zufälliger Stichproben

2.12.2019

Jupyter Notebook (Python)

B13.1 Statistik SWS 15-16.pdf

8. Testen von Hypothesen über Unterschiede und Zusammenhänge

9.12.2019

Jupyter Notebook (Python)

Statistik (PCÜ)

B13.1 1 PCU Statistik.pdf

Seminarplan

B13.1 1 PCU 01 SPSS Statistics.pdf

1. SPSS Statistics

14.10.2019, 21.10.2019

  •  freelancers.sav

B13.1 1 PCU 02 SPSS Daten-Management.pdf

2. SPSS Daten-Management

14.10.2019, 21.10.2019

  • bank.sav

  • transposed-bar-chart-frequencies.sgt

Ressourcen SPSS

Machen Sie sich mit den SPSS Produktmerkmalen vertraut


Sehen Sie sich hier weitere hilfreiche Ressourcen an.

Data sources
Data Preparation
Output and visualization
Data analysis
B13.1 1 PCU 03 SPSS Descriptive Statistics.pdf

3. SPSS Descriptive Startistik

28.10.2019, 04.11.2019

Beispieldatensatz_A3.sav

Aufgabe:

https://forms.gle/VLvQSk5ByuBvNyFQ9

Python Installieren

Jupyter Notebook

Python Variablen

Python Bibliotheken

B13.1 1 PCU 04:05 Darstellung qualitativer Merkmale.pdf

4. Python Eindimensionale Darstellung qualitativer Merkmale

5. Python Bivariate Darstellung kategorialer Merkmale

11.11.2019,18.11.2019

Zusatzaufgabe: 

  • Estimating the correlation between two variables with a contingency table and a chi-squared test

B13.1 1 PCU 06:07 Darstellung quantitativer Merkmale.pdf

6. Python  Eindimensionale Darstellung quantitativer Merkmale

7. Python Bivariate Darstellung quantitativer Merkmale

25.11.2019, 02.12.2019

B13.1 1 PCU 08:09 Induktive Statistik T-Test.pdf

8. Python Grundlagen der induktiven Statistik

9. Testen von Hypothesen über Unterschiede und Zusammenhänge

9.12.2019, 16.12.2019

B13.1 Referat Marktforschungsstudie.pdf

Referat Marktforschungsstudie

Anmeldung: https://forms.gle/ExEv7dPTHsWdbi687

27.1.2020

  • NZK-Evidenzindex

  • Beispiel Studien


Wählen Sie eine Marktforschungsstudie aus (sie muß frei zugänglich sein) und stellen Sie diese in einer  Präsentation (20min) vor. Im Anschluss stellen Sie sich Fragen aus dem Publikum (10 min). 

Setzen Sie sich kritisch mit der Studie auseinander und beurteilen Sie die diese in Bezug auf Formulierung der Untersuchungsziele, Eignung des methodischen Zugangs, Eignung der theoretischen Grundlagen der Evaluation, interne und externe Validität, Eignung der Messvalidität, Qualität der Datenauswertung, Qualität der Ergebnisinterpretation und das Bestehen möglicher Interessenkonflikte. Orientieren Sie sich dabei am NZK-Evidenzindex.

Die Vorträge finden in der Übung/Vorlesung am 27.1.2020, 8:00 - 13:45 statt. Anmeldung ist verbindlich (FCFS) und endet am 15.11.2019. Die Bewertung geht zu 50% in die Klausurbewertung ein.

1. Prüfung

20.01.2020

12:15 - 13:45 Uhr, Raumanfrage für G002 läuft

Hilfsmittel:

  • Taschenrechner (ohne Kommunikationsfunktion)

  • Formelsammlung 

  • Aufgaben / Lösungen

    • Aufgabe 1

    • Aufgabe 2

    • Aufgabe 3

2. Prüfung

30.03.2020

12:15 - 13:45 Uhr, WH C 449

Dieser Termin wurde wegen der COVID-19 Pandemie verschoben. Alternative Prüfungsformen werden angeboten. Für weitere Informationen nutzen Sie bitte den Moodle Kurs  https://moodle.htw-berlin.de/course/view.php?id=27387. Falls Sie keinen Zugriff haben, prüfen Sie zunächst ob Sie zum 2. PZ angemeldet sind. 

Prüfungstermin Onlineklausur: 20.05. 10:45

Technische Voraussetzungen: 

  • Internetzugang

  • Drucker (optional) - zum Ausdrucken der Aufgaben

  • Scanner (SmartPhone App) - Lösungen müssen innerhalb der Prüfungszeit gescannt und als ein PDF Dokument in Moodle hochgeladen werden.

  • Stift/ Papier

Hilfsmittel:

  • Taschenrechner (ohne Kommunikationsfunktion)

  • Formelsammlung / Kursnotizen

Aufgaben/Lösungen

  • Aufgabe 1 (Python)

  • Klausur 2 mit Lösungen

MDS of Correlation Distances

This is a 2d embedding of the correlation of numerical results submitted for the 2nd exam. As you can see, there are clusters around "Answers" - the correct solutions. This is what you would normally expect. I added also a data point for a similar solution you can easyly find on the internet. Clusters can also be an indication of colaboration of students. The latter is in particular a possibility, if the cluster is far away from the correct solution. 

The size of the dots is a representation of the total score. Since a student can earn scores for providing intermediate steps, the dot size may also provide an indication of causation. 

Google Sites
Report abuse
Google Sites
Report abuse