Kapitel 3 · Bivariate deskriptive Statistik

Heringe & Drinks — Korrelation (Pearson & Spearman)

mittel Übung 6, Aufgabe 1 StreudiagrammSchwerpunktPearson-KorrelationSpearman-KorrelationRangkorrelation

Student Johnnie Walker vermutet einen Zusammenhang zwischen der Anzahl konsumierter Heringe $Y$ und der Anzahl der tags zuvor getrunkenen Drinks $X$ . An $n=7$ Wochenenden erhob er:

$x_i$ (Drinks)	1	0	9	7	4	6	8
$y_i$ (Heringe)	1	2	8	7	3	3	4

a) Zeichne ein Streudiagramm — welcher Zusammenhang ist zu vermuten? b) Ergänze den Schwerpunkt. c) Berechne und interpretiere die Pearson-Korrelation. d) Berechne und interpretiere die Spearman-Korrelation.

R R-Lösung anzeigen

drinks  <- c(1, 0, 9, 7, 4, 6, 8)
heringe <- c(1, 2, 8, 7, 3, 3, 4)
plot(drinks, heringe, main = "Streudiagramm")
cor(drinks, heringe)                       # Pearson
cor(drinks, heringe, method = "spearman")  # Spearman

Ausgabe

[1] 0.8202869
[1] 0.9198053

Lösung

0/8 aufgedeckt

← Alle Aufgaben

R Cheatsheet

Vektoren & Sequenzen

x <- c(3, 1, 4, 1, 5)        # Vektor anlegen
y <- rep(c(0, 1), times = c(26, 9))  # 26x 0, 9x 1
s <- seq(0, 2*pi, length.out = 100)  # gleichmäßige Folge
1:10                          # Ganzzahlfolge
length(x); sort(x); rev(x)    # Länge, sortieren, umkehren
x[x > 2]                      # logische Indizierung

Daten einlesen

df <- read.table("Daten.dat", header = TRUE,
                 sep = ":", dec = ",")
str(df)        # Struktur ansehen
head(df); summary(df)
df$Spalte      # Spalte auswählen   (NA = fehlender Wert)

Häufigkeiten

table(x)                 # absolute Häufigkeiten
table(x) / length(x)     # relative Häufigkeiten
prop.table(table(x))     # dito
cumsum(table(x))         # kumulierte Häufigkeiten

Grafische Darstellung

barplot(table(x), main = "Titel", ylab = "h(a)")  # Säulen
pie(table(x), labels = c("nein", "ja"))           # Kreis
hist(x)                                  # Histogramm (Auto-Klassen)
hist(x, breaks = seq(50, 110, by = 5),   # eigene Klassen
     col = heat.colors(12), xlab = "kg")
plot(s, sin(2*s), type = "l", col = "blue", lwd = 2)  # Linie
lines(s, cos(s))                         # weitere Linie ergänzen
boxplot(x)                               # Box-Plot

Lagemaße

mean(x)                  # arithmetisches Mittel
median(x)                # Median
quantile(x, c(.25, .5, .75))  # Quartile
quantile(x, 0.9)         # 90%-Quantil
# Modus: Ausprägung mit größter Häufigkeit
names(which.max(table(x)))

Streuungsmaße

var(x)                   # Stichprobenvarianz  (/ (n-1))
sd(x)                    # Standardabweichung
IQR(x)                   # Interquartilsabstand
range(x); diff(range(x)) # Min/Max bzw. Spannweite
sd(x) / mean(x)          # Variationskoeffizient

Verteilungen

dbinom(k, size = n, prob = p)   # Binomial P(X = k)
pbinom(k, n, p)                 # P(X <= k)
dpois(k, lambda); ppois(k, lambda)
dnorm(x, mean, sd); pnorm(x, mean, sd)   # Normal
qnorm(0.975)                    # Quantil (z-Wert)
rnorm(100, mean = 0, sd = 1)    # Zufallszahlen

Schätzen & Testen

t.test(x, mu = 0)                       # t-Test / KI für mu
t.test(x, conf.level = 0.95)$conf.int   # Konfidenzintervall
prop.test(k, n)                         # Anteilstest
chisq.test(table(a, b))                 # Unabhängigkeitstest