Willkommen zu unserem umfassenden Leitfaden zur Deskriptiven Statistik: Univariate Datenanalyse! In diesem Artikel tauchen wir tief in die Welt der statistischen Datenanalyse ein. Wir erklären, wie man Rohdaten strukturiert, visuell darstellt und interpretiert, um fundierte Einblicke zu gewinnen. Egal ob du Student bist, der sich auf eine Prüfung vorbereitet, oder einfach dein Wissen auffrischen möchtest, hier findest du alles, was du brauchst, um univariate Daten meisterhaft zu analysieren. Wir behandeln die Umwandlung von Urlisten in Häufigkeitsverteilungen, die grafische Darstellung, Summenhäufigkeiten, Quantile und den Umgang mit klassifizierten Daten.
Grundlagen der Univariaten Datenanalyse: Von der Urliste zur Häufigkeitsverteilung
Die Basis jeder statistischen Untersuchung bildet die Urliste. Sie ist eine ungeordnete Sammlung von Merkmalsausprägungen zu den einzelnen Merkmalsträgern.
Was ist eine Urliste und warum ist sie wichtig?
Eine Urliste ist die Rohfassung deiner Daten. Stell dir vor, du erfasst die Kinderzahl von sechs Frauen. Die Urliste würde einfach alle beobachteten Zahlen auflisten, wie 2, 1, 2, 0, 3, 2.
Beispiel 1 für Urliste: Kinderzahl
| Statistische Einheit | Anzahl der Kinder |
|---|---|
| Frau 1 | 2 |
| Frau 2 | 1 |
| Frau 3 | 2 |
| Frau 4 | 0 |
| Frau 5 | 3 |
| Frau 6 | 2 |
Beispiel 2 für Urliste: Verkaufte Zeitungen
Ein Kiosk notiert 200 Tage lang die Anzahl der verkauften Zeitungen. Die Urliste beginnt zum Beispiel so:
| Statistische Einheit | Anzahl der verkauften Zeitungen |
|---|---|
| Tag 1 | 3 |
| Tag 2 | 1 |
| Tag 3 | 0 |
| Tag 4 | 2 |
| : | : |
| Tag 200 | 5 |
Absolute und relative Häufigkeiten verstehen
Eine Häufigkeitsverteilung ist eine strukturierte Darstellung deiner Daten, die jeder Merkmalsausprägung die entsprechende absolute oder relative Häufigkeit zuordnet. Das macht die Daten viel übersichtlicher.
Absolute Häufigkeit ($h_i$): Gibt an, wie oft eine bestimmte Merkmalsausprägung $x_i$ in den Daten vorkommt.
Relative Häufigkeit ($f_i$): Zeigt den Anteil einer Merkmalsausprägung an der Gesamtanzahl der Beobachtungen ($N$). Sie wird berechnet als $f_i = h_i / N$.
Fortsetzung Beispiel 1: Kinderzahl
| Anzahl der Kinder $x_i$ | absolute Häufigkeit $h_i$ | relative Häufigkeit $f_i$ |
|---|---|---|
| $x_1 = 0$ | $h_1 = 1$ | $f_1 \approx 0,167$ |
| $x_2 = 1$ | $h_2 = 1$ | $f_2 \approx 0,167$ |
| $x_3 = 2$ | $h_3 = 3$ | $f_3 = 0,500$ |
| $x_4 = 3$ | $h_4 = 1$ | $f_4 \approx 0,167$ |
Fortsetzung Beispiel 2: Verkaufte Zeitungen
| Anzahl der Zeitungen $x_i$ | absolute Häufigkeit $h_i$ | relative Häufigkeit $f_i$ |
|---|---|---|
| 0 | 21 | 0,105 |
| 1 | 46 | 0,230 |
| 2 | 54 | 0,270 |
| 3 | 40 | 0,200 |
| 4 | 24 | 0,120 |
| 5 | 10 | 0,050 |
| 6 | 5 | 0,025 |
Grafische Darstellung von Häufigkeitsverteilungen für univariate Daten
Grafische Darstellungen helfen uns, Muster und Verteilungen in den Daten schnell zu erkennen. Für univariate Daten gibt es zwei Haupttypen.
Höhenproportionale Darstellung: Das Stabdiagramm
Ein Stabdiagramm (oder Balkendiagramm) wird verwendet, um die Häufigkeit diskreter Merkmale oder Merkmale mit wenigen Ausprägungen darzustellen. Die Höhe der Stäbe ist proportional zur Häufigkeit.
- Beispiel 1: Anzahl der Kinder – Zeigt, dass die Merkmalsausprägung "2 Kinder" am häufigsten vorkommt.
- Beispiel 2: Anzahl verkaufter Zeitungen – Veranschaulicht die Verteilung der Verkaufszahlen über die 200 Tage.
Flächenproportionale Darstellung: Das Histogramm für klassifizierte Daten
Ein Histogramm ist ideal für stetige oder klassifizierte Daten. Die Fläche der Säulen ist proportional zur Häufigkeit, nicht nur die Höhe.
Wenn die Klassenbreiten ($\Delta x_i$) unterschiedlich sind, müssen die Säulenhöhen ($h_i^$ oder $f_i^$) angepasst werden, damit die Flächen korrekt die Häufigkeiten widerspiegeln:
- Absolute Darstellung: $h_i^* = \frac{h_i}{a \cdot \Delta x_i}$
- Relative Darstellung: $f_i^* = \frac{f_i}{\Delta x_i}$
Histogramme helfen dabei, die Form der Verteilung zu erkennen, wie beispielsweise Symmetrie oder Schiefe.
Summenhäufigkeiten und die Empirische Verteilungsfunktion in der Statistik
Summenhäufigkeiten geben an, wie viele oder welcher Anteil der Beobachtungen einen Wert haben, der kleiner oder gleich einer bestimmten Merkmalsausprägung ist. Das ist besonders nützlich, wenn das Merkmal mindestens ordinalskaliert ist.
Definitionen: Absolute und relative Summenhäufigkeit
- Absolute Summenhäufigkeit ($H_i$): Summe der absoluten Häufigkeiten bis zur $i$-ten Merkmalsausprägung. $H_i = h_1 + h_2 + \ldots + h_i = \sum_{j=1}^{i} h_j$
- Relative Summenhäufigkeit ($F_i$): Summe der relativen Häufigkeiten bis zur $i$-ten Merkmalsausprägung. Sie wird auch als empirische Verteilungsfunktion bezeichnet. $F_i = f_1 + f_2 + \ldots + f_i = \sum_{j=1}^{i} f_j$
Fortsetzung Beispiel 1: Kinderzahl (Summenhäufigkeiten)
| Anzahl der Kinder $x_i$ | absolute Häufigkeit $h_i$ | absolute Summenhäufigkeit $H_i$ |
|---|---|---|
| $x_1 = 0$ | $h_1 = 1$ | $H_1 = 1$ |
| $x_2 = 1$ | $h_2 = 1$ | $H_2 = 2$ |
| $x_3 = 2$ | $h_3 = 3$ | $H_3 = 5$ |
| $x_4 = 3$ | $h_4 = 1$ | $H_4 = 6$ |
| Anzahl der Kinder $x_i$ | relative Häufigkeit $f_i$ | relative Summenhäufigkeit $F_i$ |
|---|---|---|
| $x_1 = 0$ | $f_1 \approx 0,167$ | $F_1 \approx 0,167$ |
| $x_2 = 1$ | $f_2 \approx 0,167$ | $F_2 \approx 0,333$ |
| $x_3 = 2$ | $f_3 = 0,500$ | $F_3 \approx 0,833$ |
| $x_4 = 3$ | $f_4 \approx 0,167$ | $F_4 = 1,000$ |
Die Empirische Verteilungsfunktion für univariate Daten
Die empirische Verteilungsfunktion $F(x)$ gibt den Anteil der Elemente an, deren Merkmalsausprägung kleiner oder gleich $x$ ist. Für $k$ verschiedene Merkmalsausprägungen gilt:
$F(x) = \begin{cases} 0 & \text{für } x < x_1 \ F_i & \text{für } x_i \leqslant x < x_{i+1} \ 1 & \text{für } x \geqslant x_k \end{cases}$
Fortsetzung Beispiel 1: Kinderzahl (Empirische Verteilungsfunktion)
$F(x) = \begin{cases} 0 & \text{für } x < 0 \ 0,167 & \text{für } 0 \leqslant x < 1 \ 0,333 & \text{für } 1 \leqslant x < 2 \ 0,833 & \text{für } 2 \leqslant x < 3 \ 1 & \text{für } x \geqslant 3 \end{cases}$
Die grafische Darstellung der empirischen Verteilungsfunktion ist eine Treppenfunktion.
Quantile und ihre Bedeutung in der univariaten Statistik
Ein Quantil ($x_p$) ist der kleinste Wert $x$, für den die kumulierte relative Häufigkeit $F(x)$ größer oder gleich $p$ ist. Es teilt die Daten in bestimmte Anteile auf.
Was ein p-Quantil aussagt
Ein $p$-Quantil $x_p$ gibt an, dass $100 \cdot p%$ der Daten kleiner oder gleich $x_p$ sind. Es ist praktisch die Umkehrfunktion der empirischen Verteilungsfunktion.
Besondere Quantile: Die Quartile
- $Q_0 = 0$-Quartil = 0,00-Quantil = Minimum
- $Q_1 = 1$-Quartil = 0,25-Quantil (25% der Daten sind kleiner/gleich)
- $Q_2 = 2$-Quartil = 0,50-Quantil (Median) (50% der Daten sind kleiner/gleich)
- $Q_3 = 3$-Quartil = 0,75-Quantil (75% der Daten sind kleiner/gleich)
- $Q_4 = 4$-Quartil = 1,00-Quantil = Maximum
Fortsetzung Beispiel 1: Kinderzahl (Quantilberechnung)
Fragestellung: Die Hälfte der Frauen haben nicht einmal... Kinder. (Gesucht $x_p$ mit $p = 0,5$) Antwort: Die unteren $50%$ der Frauen haben höchstens 2 Kinder. Somit ist $x_{0,5} = 2$.
| Kinderanzahl $x_i$ | Häufigkeit $f_i$ | Summenhäufigkeit $F_i$ |
|---|---|---|
| 0 | 0,167 | 0,167 |
| 1 | 0,167 | 0,333 |
| 2 | 0,500 | 0,833 |
| 3 | 0,167 | 1,000 |
Fortsetzung Beispiel 2: Verkaufte Zeitungen (Quantilberechnung)
Fragestellung: An 80% der Tage werden bis zu... Zeitungen verkauft. (Gesucht $x_{0,80}$) Antwort: An den schlechtesten $80%$ der Tage wurden maximal 3 Zeitungen verkauft. Somit ist $x_{0,80} = 3$.
| Anzahl Zeitungen $x_i$ | rel. Hfgk. $f_i$ | Summenhfgk. $F_i$ |
|---|---|---|
| ⋮ | ⋮ | ⋮ |
| 2 | 0,270 | 0,605 |
| 3 | 0,200 | 0,805 |
| 4 | 0,120 | 0,925 |
| ⋮ | ⋮ | ⋮ |
Klassifizierte Daten in der univariaten Statistik: Aggregation für große Datensätze
Wenn du eine große Menge an Daten hast, kann es sinnvoll sein, diese zu klassifizieren. Das bedeutet, verschiedene Ausprägungen zu disjunkten Klassen zusammenzufassen.
Vorteile und Nachteile der Klassifizierung
- Vorteile: Vereinfachung der Datenerhebung und -analyse, Vorteile beim Datenschutz.
- Nachteile: Informationsverlust durch die Annahme einer Gleichverteilung innerhalb der Klassen.
Notation und Faustregeln für Klassen
- $k$: Anzahl der Klassen
- $x_i^u$: Untergrenze der $i$-ten Klasse
- $x_i^o$: Obergrenze der $i$-ten Klasse
- $\Delta x_i = x_i^o - x_i^u$: Klassenbreite der $i$-ten Klasse
- $x_i' = \frac{1}{2}(x_i^o + x_i^u)$: Repräsentant der $i$-ten Klasse (wenn nicht anders angegeben)
Anzahl der Klassen: Sollte typischerweise zwischen 5 und 15 liegen. Eine Faustregel ist $k = \sqrt{N}$ (wobei $N$ die Anzahl der Beobachtungen ist). Idealerweise sind die Klassenbreiten möglichst konstant.
Beispiel 3: Monatlicher Bruttoverdienst ($N=60$)
| Klasse (in €) | abs. Häufigkeit $h_i$ | rel. Häufigkeit $f_i$ |
|---|---|---|
| über 500 bis 1000 | 3 | 0,05 |
| über 1000 bis 1500 | 6 | 0,1 |
| über 1500 bis 2000 | 8 | 0,133 |
| über 2000 bis 2500 | 22 | 0,367 |
| über 2500 bis 3000 | 10 | 0,167 |
| über 3000 bis 3500 | 7 | 0,116 |
| über 3500 bis 4000 | 4 | 0,067 |
Beispiel 4: Wert von Gebrauchtwagen ($N=70$)
| Klasse (in €) | abs. Häufigkeit $h_i$ | rel. Häufigkeit $f_i$ |
|---|---|---|
| über 1000 bis 2000 | 8 | 0,114 |
| über 2000 bis 3000 | 10 | 0,143 |
| über 3000 bis 4000 | 16 | 0,229 |
| über 4000 bis 5000 | 15 | 0,214 |
| über 5000 bis 7000 | 10 | 0,143 |
| über 7000 bis 9000 | 8 | 0,114 |
| über 9000 bis 15000 | 3 | 0,043 |
Empirische Verteilungsfunktion für klassifizierte Daten mit linearer Interpolation
Bei klassifizierten Daten werden die Werte der empirischen Verteilungsfunktion $F(x)$ an den Klassenunter- und Obergrenzen berechnet. Dazwischen wird mittels linearer Interpolation angenommen, dass die Daten gleichmäßig innerhalb einer Klasse verteilt sind.
$F(x) = \begin{cases} 0 & \text{für } x < x_1^u \ F(x_i^u) + \left(\frac{x - x_i^u}{\Delta x_i}\right) \cdot f_i & \text{für } x_i^u \leqslant x < x_i^o \ 1 & \text{für } x \geqslant x_k^o \end{cases}$
Quantile für klassifizierte Daten berechnen
Die Berechnung von Quantilen für klassifizierte Daten erfolgt ebenfalls über lineare Interpolation. Hierbei identifizierst du zunächst die Klasse, in der das gesuchte Quantil liegt, und wendest dann die Formel an:
$x_p = \begin{cases} x_i^u + \frac{p - F(x_i^u)}{f_i} \cdot \Delta x_i & \mathrm{für} F(x_i^u) \leqslant p < F(x_i^o) \ x_k^o & \mathrm{für} p = 1 \end{cases}$
Fortsetzung Beispiel 3: Bruttoverdienst (Quantilberechnung)
Fragestellung: Wie viel € verdienen die unteren 70% der Beschäftigten höchstens? (Gesucht $x_{0,7}$)
-
Klasse identifizieren: Der Wert $p=0,7$ liegt zwischen $F(x_i^u) = 0,650$ (Klasse "über 2000 bis 2500") und $F(x_i^o) = 0,816$ (Klasse "über 2500 bis 3000"). Die korrekte Klasse ist also "über 2500 bis 3000" (mit $x_i^u = 2500$, $f_i = 0,167$, $F(x_i^u) = 0,650$ und $\Delta x_i = 500$).
-
Einsetzen in Formel: $x_{0,7} = 2500 + \frac{0,7 - 0,650}{0,167} \cdot 500 = 2500 + \frac{0,05}{0,167} \cdot 500 \approx 2500 + 0,2994 \cdot 500 \approx 2500 + 149,7 \approx 2650$
Antwort: Die unteren $70%$ der Beschäftigten verdienen höchstens 2650 €.
Fortsetzung Beispiel 4: Gebrauchtwagen (Quantilberechnung)
Fragestellung: Wie hoch ist der Wert der unteren $40%$ der PKW höchstens? (Gesucht $x_{0,4}$)
-
Klasse identifizieren: Der Wert $p=0,4$ liegt zwischen $F(x_i^u) = 0,257$ (Klasse "über 2000 bis 3000") und $F(x_i^o) = 0,486$ (Klasse "über 3000 bis 4000"). Die korrekte Klasse ist also "über 3000 bis 4000" (mit $x_i^u = 3000$, $f_i = 0,229$, $F(x_i^u) = 0,257$ und $\Delta x_i = 1000$).
-
Einsetzen in Formel: $x_{0,4} = 3000 + \frac{0,4 - 0,257}{0,229} \cdot 1000 = 3000 + \frac{0,143}{0,229} \cdot 1000 \approx 3000 + 0,6244 \cdot 1000 \approx 3000 + 624,4 \approx 3624,4 \text{ Tsd. €}$
Antwort: Die billigsten $40%$ der PKW kosten höchstens 3625 €.
Häufig gestellte Fragen zur Univariaten Datenanalyse
Was ist der Unterschied zwischen absoluter und relativer Häufigkeit?
Die absolute Häufigkeit gibt an, wie oft ein bestimmter Wert oder eine Ausprägung in einem Datensatz vorkommt. Die relative Häufigkeit hingegen drückt diesen Wert als Anteil an der Gesamtanzahl der Beobachtungen aus, oft als Dezimalzahl oder Prozentwert. Wenn 5 von 100 Personen eine Eigenschaft haben, ist die absolute Häufigkeit 5, die relative Häufigkeit 0,05 oder 5%.
Wann verwende ich ein Stabdiagramm und wann ein Histogramm?
Ein Stabdiagramm wird für diskrete Merkmale oder Merkmale mit wenigen, klar getrennten Ausprägungen verwendet (z.B. Anzahl der Kinder). Die Höhe der Stäbe ist proportional zur Häufigkeit. Ein Histogramm ist für stetige oder klassifizierte Merkmale gedacht (z.B. Einkommen in Klassen). Hierbei repräsentiert die Fläche der Säulen die Häufigkeit, was besonders bei ungleichen Klassenbreiten wichtig ist.
Was ist ein Quantil und wofür brauche ich es in der Statistik?
Ein Quantil, insbesondere das $p$-Quantil $x_p$, ist ein Wert, der eine Datenreihe so teilt, dass $p$ Prozent der Beobachtungen kleiner oder gleich diesem Wert sind. Du brauchst Quantile, um die Verteilung von Daten besser zu verstehen und Positionen innerhalb der Verteilung zu identifizieren. Die Quartile (0,25-, 0,50-, 0,75-Quantil) sind spezielle Quantile, die die Daten in vier gleich große Abschnitte unterteilen.
Was versteht man unter linearer Interpolation bei klassifizierten Daten?
Lineare Interpolation ist eine Methode, um Zwischenwerte innerhalb einer Klasse klassifizierter Daten zu schätzen. Da bei klassifizierten Daten nur die Häufigkeiten für ganze Klassen bekannt sind, nimmt man durch lineare Interpolation an, dass die Daten innerhalb dieser Klasse gleichmäßig verteilt sind. Dies ermöglicht es, Werte wie Quantile oder die empirische Verteilungsfunktion für jeden beliebigen Punkt innerhalb einer Klasse zu schätzen.
Wie viele Klassen sollte ich bei der Klassifizierung von Daten verwenden?
Die Anzahl der Klassen sollte ein guter Kompromiss zwischen Detailgenauigkeit und Übersichtlichkeit sein. Eine gängige Faustregel ist, zwischen 5 und 15 Klassen zu wählen. Eine weitere Hilfestellung bietet die Formel $k = \sqrt{N}$, wobei $N$ die Gesamtanzahl der Beobachtungen ist. Wichtig ist auch, wenn möglich, Klassen mit konstanten Breiten zu verwenden, um die Interpretation zu erleichtern.