Advertisement

Deskriptive und explorative Statistik

  • Ansgar StelandEmail author
Chapter
  • 6.1k Downloads
Part of the Springer-Lehrbuch book series (SLB)

Zusammenfassung

Die deskriptive (beschreibende) Statistik hat zum Ziel, empirische Daten durch Tabellen und Grafiken übersichtlich darzustellen und zu ordnen, sowie durch geeignete grundlegende Kenngrößen zahlenmäßig zu beschreiben. Vor allem bei umfangreichem Datenmaterial ist es sinnvoll, sich einen ersten Überblick zu verschaffen. Durch eine systematische Beschreibung der Daten mit Hilfsmitteln der deskriptiven Statistik können mitunter auch Fehler in den Daten – beispielsweise durch Tippfehler bei der Dateneingabe oder fehlerhafte Ergebnisse von Texterkennungssystemen – erkannt werden. Die deskriptive Statistik verwendet keine stochastischen Modelle, so dass die dort getroffenen Aussagen nicht durch Fehlerwahrscheinlichkeiten abgesichert sind. Dies kann durch die Methoden der schließenden Statistik erfolgen, sofern die untersuchten Daten den dort unterstellten Modellannahmen genügen. Die explorative (erkundende) Statistik hat darüber hinaus zum Ziel, bisher unbekannte Strukturen und Zusammenhänge in den Daten zu finden und hierdurch neue Hypothesen zu generieren. Diese auf Stichprobendaten beruhenden Hypothesen können dann im Rahmen der schließenden Statistik mittels wahrscheinlichkeitstheoretischer Methoden auf ihre Allgemeingültigkeit untersucht werden.

Literaturverzeichnis

  1. 1.
    Bamberg, G., & Bauer, F. (1998). Statistik. München: Oldenbourg.Google Scholar
  2. 2.
    Cramer, E., Kamps, U., & Oltmanns, E. (2007). Wirtschaftsmathematik (2. Aufl.). München: Oldenbourg.Google Scholar
  3. 3.
    Cramer, E., & Kamps, U. (2014). Grundlagen der Wahrscheinlichkeitsrechnung und Statistik (3. Aufl.). Berlin: Springer Spektrum.Google Scholar
  4. 4.
    Dehling, H., & Haupt, B. (2004). Einführung in die Wahrscheinlichkeitstheorie und Statistik. Berlin: Springer.Google Scholar
  5. 5.
    Fahrmeir, L., Künstler, R., Pigeot, I., & Tutz, G. (2004). Statistik – Der Weg zur Datenanalyse (5. Aufl.). Berlin: Springer.Google Scholar
  6. 6.
    Härdle, W. (1990). Applied Nonparametric Regression. Cambridge: Cambridge University Press.Google Scholar
  7. 7.
    Hartung, J., Elpelt, B., & Klösener, K.-H. (2002). Statistik (13. Aufl.). München: Oldenbourg.Google Scholar
  8. 8.
    Kockelkorn, U. (1993). Statistik für Anwender. Berlin: Skript.Google Scholar
  9. 9.
    Kockelkorn, U. (2000). Lineare statistische Methoden. München: Oldenbourg.Google Scholar
  10. 10.
    Rohatgi, V. K., & Saleh, E. (2001). An Introduction to Probability and Statistics. New York: Wiley.Google Scholar
  11. 11.
    Schlittgen, R. (1996). Statistische Inferenz. München: Oldenbourg.Google Scholar
  12. 12.
    Schlittgen, R. (2003). Einführung in die Statistik (10. Aufl.). München: Oldenbourg.Google Scholar
  13. 13.
    Steland, A. (2004). Mathematische Grundlagen der empirischen Forschung. Berlin: Springer.Google Scholar
  14. 14.
    Stock, J. H., & Watson, M. H. (2007). Introduction to Econometrics. Boston: Pearson International.Google Scholar
  15. 15.
    Sydsaeter, K., & Hammond, P. (2006). Mathematik für Wirtschaftswissenschaftler. München: Pearson-Studium.Google Scholar
  16. 16.
    Zucchini, W., Schlegel, A., Nenadić, O., & Sperlich, S. (2009). Statistik für Bachelor- und Masterstudenten. Berlin/Heidelberg: Springer.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2016

Authors and Affiliations

  1. 1.Institut für Statistik und WirtschaftsmanagementRWTH AachenAachenDeutschland

Personalised recommendations