Deskriptive Statistik mit R Teil 1: Metriken, Lageverteilung, Ausreißer
Fabio Basler, M.Sc.
Watch this class and thousands more
Watch this class and thousands more
Lessons in This Class
-
-
1.
Einführung
0:49
-
2.
Überblick zu den R Grundlagen
0:46
-
3.
Installation von R und Einrichtung der Entwicklungsumgebung RStudio
11:08
-
4.
Orientierung in der RStudio-Oberfläche und wichtige Funktionen
9:22
-
5.
Einführung in die wichtigsten Objektarten und Datenstrukturen in R
11:00
-
6.
Methoden zum Einlesen und Vorbereiten von Datensätzen in R
8:01
-
7.
Überblick über typische Verfahren der Datenerhebung in der Statistik
6:13
-
8.
Grundlegende Einordnung der Statistik als wissenschaftliche Disziplin
7:55
-
9.
Überblick zu den statistischen Grundlagen mit R
0:46
-
10.
Theoretische Einführung in Skalenniveaus: Nominalskala, Ordinalskala und metrische Skalen
7:40
-
11.
Anwendungsaufgabe zur Bestimmung geeigneter Skalenniveaus für unterschiedliche Datentypen
1:57
-
12.
Lösung und Begründung der Skalenklassifikation anhand von Beispielen
5:32
-
13.
Überblick zu Mittelwerten und deren Rolle in der deskriptiven Analyse
1:01
-
14.
Definition und Unterschiede von Mittelwertkennzahlen
2:57
-
15.
Median und Modalwert
7:37
-
16.
Arithmetisches Mittel
7:12
-
17.
Vergleich des arithmetischen und geometrischen Mittels hinsichtlich Anwendung und Aussagekraft in R
6:50
-
18.
Median in R
4:43
-
19.
Modalwert in R
6:43
-
20.
Überblick zur Verteilung von Werten und deren Visualisierung
1:17
-
21.
Erstellung und Interpretation von Histogrammen zur Darstellung von Häufigkeiten
9:27
-
22.
Nutzung der R-Bibliothek dplyr zur Aufbereitung von Verteilungsdaten
4:37
-
23.
Übung zur Untersuchung und Darstellung der Werteverteilung eines Datensatzes
3:53
-
24.
Lösung der Übung zur Untersuchung und Darstellung der Werteverteilung eines Datensatzes
12:57
-
25.
Einführung in die wichtigsten Maße der Streuung und deren Bedeutung für die Datenanalyse
12:41
-
26.
Quantile und Lageverteilung auswerten und interpetieren in R
6:25
-
27.
Skew und Kurtosis ermitteln und einordnen in R
2:55
-
28.
Perzentile berechnen und interpretieren in R
5:24
-
29.
Boxplots visualisieren in R
10:26
-
30.
Datenklassierung in R
12:28
-
31.
Aufgabe zur Lageverteilung von Daten in R
4:38
-
32.
Datenklassierung mit gleichgroßen Klassen in R
9:42
-
33.
Lösung der Aufgabe zur Lageverteilung von Daten in R
12:57
-
34.
Überblick zu Streuungsmaße zur Beschreibung der Variabilität von Daten
1:25
-
35.
Einführung in die wichtigsten Maße der Streuung Teil 1
8:25
-
36.
Einführung in die wichtigsten Maße der Streuung Teil 2
11:28
-
37.
Spannweite berechnen und interpretieren in R
7:47
-
38.
Lineare Streuung Spannweite berechnen und interpretieren in R
7:36
-
39.
Varianz und Standardabweichung berechnen und interpretieren in R
8:53
-
40.
Variationskoeffizient berechnen und interpretieren in R
4:10
-
41.
Aufgabe: Streuungskennzahlen in R
2:11
-
42.
Lösung zur Aufgabe: Streuungskennzahlen in R
7:40
-
43.
Überblick zur Erkennung und systematischen Analyse von Ausreißern
0:42
-
44.
Einführung in die Bedeutung und Ursachen von Ausreißern in statistischen Daten
8:59
-
45.
Schrittweise Codierung zur Erkennung und Markierung von Ausreißern – erster Teil
11:05
-
46.
Weiterführung der Codierung zur automatisierten Ausreißeranalyse – zweiter Teil
9:41
-
47.
Codierung zur Visualisierung und Entfernung von Ausreißern – dritter Teil
8:00
-
48.
Übungsaufgabe zur Ausreißererkennung und Interpretation der Ergebnisse
2:56
-
49.
Detaillierte Lösung zur Anwendung und Bewertung von Ausreißeranalysen in R
10:44
-
50.
Verabschiedung
0:23
-
-
- --
- Beginner level
- Intermediate level
- Advanced level
- All levels
Community Generated
The level is determined by a majority opinion of students who have reviewed this class. The teacher's recommendation is shown until at least 5 student responses are collected.
--
Students
--
Projects
About This Class
Dieser Kurs bietet eine grundlegende Einführung in die deskriptive Statistik mit dem Fokus auf das strukturierte Erfassen, Zusammenfassen und Interpretieren von Daten. Zu Beginn stehen die verschiedenen Skalenniveaus im Mittelpunkt, die für die Auswahl geeigneter statistischer Verfahren entscheidend sind.
Darauf aufbauend werden zentrale Maßzahlen zur Beschreibung von Daten vermittelt: Lagekennwerte wie Mittelwert, Median und Modus helfen dabei, typische Ausprägungen zu identifizieren, während Streuungsmaße wie Varianz, Standardabweichung und Spannweite Aufschluss über die Verteilung und Variabilität geben.
Ein weiterer Schwerpunkt liegt auf der Visualisierung von Datenverteilungen, um Muster und Auffälligkeiten anschaulich zu machen und besser interpretieren zu können.
Durch praxisnahe Übungen mit R wird das theoretische Wissen direkt angewendet und gefestigt. Nach Abschluss des Kurses besteht ein sicheres Verständnis grundlegender statistischer Methoden, das sich flexibel in verschiedenste Analysekontexte übertragen lässt.
Meet Your Teacher
Fabio Basler ist Trainer und Autor mit Schwerpunkt auf Data Science und Kunstlicher Intelligenz. Mit Erfahrung in Technologien wie Python, SQL, R, Power BI, Tableau, Excel sowie Themen wie Large Language Models und AI Agents vermittelt er praxisnahes Wissen in Onlinekursen, Seminaren und Inhouse-Schulungen.
Er studierte im Bachelor an der Hochschule Offenburg und absolvierte seinen Master an der ESB Business School. In seiner Masterarbeit setzte er sich mit Machine-Learning-Modellen in Python auseinander.
Fabio Basler bringt acht Jahre Berufserfahrung im Controlling und in der digitalen Transformation eines Industriekonzerns mit. Diese Praxisnahe fliesst in seine Arbeit ein mit dem Ziel, datengetriebene Losungen fur konkrete Unternehmensherausforderungen zu entwic... See full profile
Hands-on Class Project
Dieses Projekt bietet eine begleitende Sammlung von R-Skripten zum Kurs. Die enthaltenen Skripte decken alle wichtigen Themen des Kurses ab: von der Einführung in die Wahrscheinlichkeitsrechnung über diskrete und kontinuierliche Verteilungen bis hin zur praktischen Anwendung in der Datenanalyse. Ergänzt wird das Material durch Übungsaufgaben und ausführlich kommentierte Lösungsvorschläge.
Class Ratings
Why Join Skillshare?
Take award-winning Skillshare Original Classes
Each class has short lessons, hands-on projects
Your membership supports Skillshare teachers
Learn From Anywhere
Take classes on the go with the Skillshare app. Stream or download to watch on the plane, the subway, or wherever you learn best.
