Wer Daten interpretieren und belastbare Aussagen aus Stichproben ableiten möchte, braucht ein fundiertes Verständnis statistischer Konzepte und Methoden. Statistik liefert die mathematischen Grundlagen für Datenanalyse, Modellbildung und Hypothesenprüfung in nahezu allen wissenschaftlichen und unternehmerischen Bereichen. Die Beherrschung deskriptiver und inferentieller Statistik, Wahrscheinlichkeitstheorie und statistischer Tests ist Voraussetzung für den Einsatz in Data-Science- und Analyse-Kontexten.
Kursinhalt1. Deskriptive Statistik und Kennzahlen
- Lageparameter: Mittelwert, Median, Modus
- Streuungsmaße: Varianz, Standardabweichung, Interquartilsabstand
- Häufigkeitsverteilungen, Histogramme und Box-Plots
2. Wahrscheinlichkeitstheorie und Verteilungsmodelle
- Grundbegriffe: Ereignisse, Wahrscheinlichkeiten, bedingte Wahrscheinlichkeit
- Wichtige Verteilungen: Normalverteilung, Binomialverteilung, Poisson-Verteilung
- Zentrales Grenzwerttheorem und seine Bedeutung
3. Statistische Tests und Hypothesenprüfung
- Nullhypothese, Alternativhypothese und Signifikanzniveau
- t-Test, Chi-Quadrat-Test, ANOVA
- p-Wert, Konfidenzintervalle und Fehlerarten
4. Korrelation, Zusammenhangsmessung und Einführung in Regression
- Pearson- und Spearman-Korrelation
- Lineare Regression: Modellaufbau und Interpretation
- Multikollinearität und Modellannahmen
Berufliche Relevanz
- Statistik-Kenntnisse sind Grundlage für Data-Science-, Data-Analysis- und Forschungspositionen
- Ermöglicht die fundierte Interpretation von Datenanalysen und A/B-Tests
- Voraussetzung für den Einsatz von Machine-Learning-Algorithmen und Prognoseverfahren