Angebot!

Seminar Grundlagen der Statistik mit Python

Dozent: Dr. Haug Leuschner

 810,00 2.275,00

Zzgl. 16% MwSt.
Auswahl zurücksetzen

Das Seminar Grundlagen der Statistik mit Python bietet im dreitägigen Basistraining eine Einführung in die zentralen Verfahren der deskriptiven und induktiven Statistik mit Schwerpunkt auf Signifikanztests zum Vergleich zweier Gruppen. Im direkt anschließenden zweitägigen Aufbautraining wird in die Automatisierung statistischer Verfahren und in die verschiedenen Arten der Varianzanalyse zur Auswertung von Mittelwertsunterschieden in komplexeren Untersuchungsdesigns behandelt. Bei Buchung des Aufbautrainings werden die Inhalte des Basistrainings vorausgesetzt. Im fünftägigen Kompletttraining haben Sie das gesamte Programm, wobei im Preis eine Ermäßigung von 100 Euro für die Teilnahme am Basis- und Aufbautraining in derselben Woche enthalten ist. Im Preis sind Kursmaterialien, Getränke und Schulungslaptops mit der aktuellen Version von Python Anaconda Distribution enthalten. Sie können per Überweisung und auf Rechnung zahlen (weitere Infos).

Beschreibung

Das Seminar Grundlagen der Statistik mit Python bietet einen verständnisorientierten Einstieg in die zentralen statistischen Verfahren der deskriptiven Statistik und der induktiven Inferenzstatistik. Sie erhalten eine fundierte Einführung in die grundlegenden Funktionen der statistischen Programmiersprache Python aus der Anaconda-Distribution und der Entwicklungsumgebung Spyder mit den gängigen Methoden und Verfahren des Datenimports, der Datenanalyse und der Präsentation von Ergebnissen.

Zielgruppe: Personen mit wenig oder keiner Erfahrung in Statistik und der Anwendung der statistischen Programmiersprache Python aus der Anaconda-Distribution; Anwender, Fachkräfte und Studierende aus den Bereichen der Sozial- und Marktforschung, der Wirschaftswissenschaften und der Betriebswirtschaft (Marketing, Controlling, Qualitätskontrolle) und der psychologischen, klinischen, pharmazeutischen und biologischen Forschung

Voraussetzungen: allgemeine Computerkenntnisse (geübter Umgang mit PC/Tastatur, Textverarbeitungs- und Tabellenkalkulationsprogrammen sollte vorhanden sein), Grundkenntnisse in der Mathematik (Grundkenntnisse in der Statistik sind von Vorteil, aber nicht erforderlich), bei Buchung des Aufbautrainings die Inhalte des Basistrainings Grundlagen der Statistik mit Python

Lernziele: die Grundfunktionen der Programmiersprache Python lernen, mit der interaktiven Shell IPython und der Entwicklungsumgebung Spyder umgehen lernen, Datenstrukturen mit NumPy und Pandas erstellen, bearbeiten und auswerten können, Daten importieren, aufbereiten und auswerten können, die Grundlagen der Statistik verstehen und anwenden können, Ergebnisse darstellen, erläutern und interpretieren können, Grafiken und Visualisierungen der Daten mit Matplotlib erstellen können

Übungen: Es wird Wert auf den Anwendungsbezug gelegt, die Praxisbeispiele und Übungsaufgaben erfolgen in der Schulung auf unseren Schulungslaptops mit der statistischen Programmiersprache Python aus der Anaconda-Distribution. Es werden reale Daten mit typischen Stolpersteinen verwendet und es wird dabei aufgezeigt, wie durch unachtsame Anwendung der Standardverfahren verzerrte oder sogar nicht zutreffende und falsche Ergebnisse entstehen können.

Leistungen: Schulungsräume in zentraler Lage, 2-10 Teilnehmer pro Veranstaltung, Unterricht 9-18 Uhr, Getränke in den Pausen, Schulungslaptop mit installierter Software, gedruckte Schulungsunterlagen, ein Zertifikat mit den Schulungsinhalten

Hinweis: Das 5-tägige Komplett-Training Grundlagen der Statistik mit Python besteht aus einem 3-tägigen Basis-Training und einem direkt anschließenden 2-tägigen Aufbau-Training, die auch einzeln gebucht werden können.

Inhalte des 5-tägigen Komplett-Trainings Grundlagen der Statistik mit Python

  • 3-tägiges Basis-Training: Deskriptive Statistik und Signifikanztests für zwei Gruppen

    • Grundfunktionen von Python lernen (Arbeiten mit Python, IPython und Spyder; Datenstrukturen mit NumPy und Pandas; Eingeben, Einlesen, Umkodieren, Transformieren, Umstrukturieren, Gruppieren und Auswählen von Daten; Erstellen und Bearbeiten von Diagrammen mit Matplotlib; Exportieren von Ausgaben in andere Anwendungen)
    • Messtheoretische Grundlagen (Grundgesamtheit und Stichprobe, Messung und Skalenniveaus)
    • Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardwerte, Grafiken)
    • Bivariate Deskriptivstatistik (Korrelationen, Streudiagramme und Streudiagramm-Matrizen mit LOESS-Kurven)
    • Einführung in die Inferenzstatistik (statistisches Testen anhand von Stichproben, Nullhypothesentest nach Fisher, Signifikanz, Effektgröße, Konfidenzintervall)
    • Signifikanztests (parametrische Verfahren: z-Test und t-Test für eine Stichprobe zur Prüfung der Abweichung eines Mittelwerts von einem vorgegebenen Wert, t-Tests zur Signifikanzprüfung des Unterschieds zweier Mittelwerte aus unabhängigen oder verbundenen Stichproben, F-Test und Levene-Test zur Signifikanzprüfung von Varianzen, Kolmogoroff-Smirnow-Test, Anderson-Darling-Test und Shapiro-Wilk-Test zur Signifikanzprüfung der Normalverteilungsannahme, Signifikanzprüfung von Korrelationskoeffizienten; nonparametrische Verfahren: U-Test von Wilcoxon-Mann-Whitney und Wilcoxon-(Vorzeichenrang-)Test zur Signifikanzprüfung von Medianen, Binomialtest, Chi-Quadrat-Tests und exakter Test nach Fisher zur Signifikanzprüfung von Häufigkeiten, Kontingenzanalysen zweier Merkmale mit Kreuztabellen)
    • Prüfung der Wirksamkeit von Aktionen, Maßnahmen, Interventionen und anderen Veränderungen mit t-Tests (Pretest-Posttest-Designs mit zwei Gruppen)
  • 2-tägiges Aufbau-Training: Varianzanalysen und Automatisierung statistischer Verfahren

    • Automatisierung statistischer Verfahren
      • Programmstrukturen (Fallunterscheidungen und Schleifen)
      • Benutzerdefinierte Funktionen
      • Fehlersuche und Fehlerbehebung bei Python-Skripten
      • Fallbeispiel: Automatisierung von t-Tests
    • Methoden zum differenzierten Mittelwertvergleich von mehreren Gruppen:
      • ein-, zwei- und mehrfaktorielle Varianzanalyse
      • Berücksichtigung von speziellen Effekten (bei Messwiederholungen, Zufalls- und Störeinflüssen)
      • t-Tests im Rahmen der Varianzanalyse (Post-hoc-Mehrfachvergleiche: Tukey HSD, Duncan/SNK, Games-Howell, Dunnett; paarweise Einzelvergleiche mit Alphafehler-Korrektur: Bonferroni, Sidak, Jianjun Li)
      • Interaktionsanalyse (Wechselwirkungen aufgrund sich verstärkender oder hemmender Effekte)
      • Statistische Auswertung von Pretest-Posttest-Designs mit Varianzanalysen