Datenanalyse
Die Datenanalyse beschreibt Daten mit Begriffen, Diagrammen und Masszahlen.
Grundbegriffe: Die Grundgesamtheit umfasst alle untersuchten Objekte (z. B. alle Angestellten einer Firma), die Stichprobe ist ein ausgewählter Teil davon, und der Stichprobenumfang $n$ ist deren Grösse. Die Urliste enthält die erhobenen Werte in der Reihenfolge der Erhebung; sortiert man sie aufsteigend, entsteht die Rangliste, und der Rang eines Wertes ist seine Position darin. Als Diagramme dienen Balken-, Kreisdiagramm (Kuchendiagramm), Histogramm und Boxplot.
Lagemasse:
- Arithmetisches Mittel: $\bar{x} = \frac{1}{n}\sum x_i$
- Median: mittlerer Wert der sortierten Urliste (bei gerader Anzahl: Mittelwert der beiden mittleren Werte)
- Modus: häufigster Wert
Streumasse:
- Standardabweichung (empirisch): $s = \sqrt{\frac{1}{n}\sum(x_i-\bar{x})^2}$
- Quartilsdifferenz: $Q_3 - Q_1$ (Interquartilsabstand)
Beispiel Standardabweichung: Die Werte 2, 4, 4, 4, 5, 5, 7, 9 haben das Mittel $\bar{x}=5$. Die quadrierten Abweichungen sind 9, 1, 1, 1, 0, 0, 4, 16 mit der Summe 32, also $s=\sqrt{32/8}=2$.
Merkmale haben einen Typ: kategorial (Gruppen, z. B. Beruf), diskret (zählbare Werte, z. B. Anzahl Kinder) oder stetig (jeder Wert in einem Intervall möglich, z. B. Körpergrösse). Der Typ bestimmt das passende Diagramm. Wird nur ein Merkmal untersucht, spricht man von univariaten Daten; bei zwei Merkmalen (bivariate Daten) zeigt ein Streudiagramm, ob ein Zusammenhang besteht.
Klassieren, Histogramm und Boxplot
Klassierung: Bei vielen oder stetigen Daten wird die Rangliste (aufsteigend sortierte Urliste) in Klassen eingeteilt. Die Klassen dürfen sich nicht überlappen und müssen alle Werte erfassen. In einem Histogramm ist die Fläche eines Balkens proportional zur Häufigkeit. Bei unterschiedlich breiten Klassen gilt deshalb: Höhe = Häufigkeit : Klassenbreite. Beispiel: Die Klassen $0$ bis $10$ (4 Werte), $10$ bis $20$ (6 Werte) und $20$ bis $40$ (6 Werte) haben die Höhen $0.4$, $0.6$ und $0.3$.
Quartile und Boxplot: Die Fünf-Zahlen-Zusammenfassung besteht aus Minimum, unterem Quartil $Q_1$, Median, oberem Quartil $Q_3$ und Maximum. Bei gerader Anzahl Werte gilt: $Q_1$ ist der Median der unteren Hälfte, $Q_3$ der Median der oberen Hälfte. (Rechner und Tabellenkalkulation verwenden teils andere Verfahren und liefern deshalb leicht abweichende Quartile.)
Beispiel: Monatslöhne (CHF) von 8 Personen: 4'200, 4'500, 4'600, 4'800, 5'000, 5'200, 5'400, 12'000.
- Median: $\frac{4800+5000}{2}=4'900$
- $Q_1=\frac{4500+4600}{2}=4'550$ und $Q_3=\frac{5200+5400}{2}=5'300$
- Interquartilsabstand: $5300-4550=750$
- Arithmetisches Mittel: $\frac{45'700}{8}=5'712.50$
Der Boxplot reicht von $Q_1$ bis $Q_3$, mit Strich beim Median. Als Faustregel gilt ein Wert als Ausreisser, wenn er mehr als $1.5$ Interquartilsabstände über $Q_3$ (oder unter $Q_1$) liegt. Hier ist $5300+1.5\cdot750=6'425$, und 12'000 liegt darüber.
Verteilungsformen und Wahl der Masszahl
Eine Verteilung kann symmetrisch oder schief sein (links- oder rechtsschief je nach dem längeren Ende) sowie unimodal (ein Gipfel) oder multimodal (mehrere Gipfel).
Das arithmetische Mittel reagiert stark auf Ausreisser, der Median kaum. Im Lohnbeispiel liegt das Mittel (5'712.50) deutlich über dem Median (4'900) und beschreibt die «typische» Person schlechter. Bei schiefen Verteilungen oder Ausreissern ist der Median (mit Quartilsabstand) die geeignetere Masszahl; bei symmetrischen Verteilungen ohne Ausreisser sind Mittelwert und Standardabweichung üblich.
Häufige Fehler
- Median mit Modus verwechseln.
- Bei ungerader/gerader Anzahl Messwerte die Medianbestimmung falsch durchführen.
- Bei der Standardabweichung die Abweichungen vom Mittelwert nicht quadrieren oder vergessen, die Summe durch $n$ zu teilen.
- Im Histogramm bei ungleich breiten Klassen die Häufigkeit direkt als Balkenhöhe wählen statt Häufigkeit : Klassenbreite.
- Den Median vor dem Sortieren der Daten bestimmen.
- Bei Ausreissern das arithmetische Mittel als «typischen Wert» angeben, statt den Median zu verwenden.