Uploaded May 2021 | Updated September 2026, 2 days ago
Eine der häufigsten Voraussetzungen für Hypothesentests ist, dass die verwendeten Daten normalverteilt sein müssen. Soll zum Beispiel ein t-Test, eine Regression oder eine ANOVA berechnet werden, muss zunächst geprüft werden, ob die Daten bzw. Variablen normalverteilt sind. Ist die Normalverteilung der Daten nicht gegeben, können die oben genannten Verfahren nicht verwendet werden, und es müssen die nicht-parametrischen Tests verwendet werden, die keine Normalverteilung der Daten verlangen.
Die Normalverteilung kann entweder analytisch oder grafisch überprüft werden. Die gängigsten analytischen Tests um Daten auf Normalverteilung zu prüfen sind:
- Kolmogorov-Smirnov Test
- Shapiro-Wilk Test
- Anderson-Darling
Für die Grafische Prüfung wird entweder ein Histogramm oder der Q-Q-Plot verwendet.
Mehr Informationen wie du deine Daten auf Normalverteilung prüfen kannst findest du hier:
numiqo.com/tutorial/test-auf-normalverteilung
Und hier geht es zum online Statistik Rechner:
numiqo.com/statistik-rechner/deskriptive-statistik
0:00 Wofür Normalverteilung
0:58 Normalverteilung prüfen
1:13 Normalverteilung analytisch prüfen
3:20 Nachteil der analytischen Prüfung
4:42 Normalverteilung grafisch prüfen
5:49 Normalverteilung mit Numiqo prüfen
#Normalverteilung #Hypothesentest #Statistik
Eine der häufigsten Voraussetzungen für Hypothesentests ist, dass die verwendeten Daten normalverteilt sein müssen. Soll zum Beispiel ein t-Test, eine Regression oder eine ANOVA berechnet werden, muss zunächst geprüft werden, ob die Daten bzw. Variablen normalverteilt sind. Ist die Normalverteilung der Daten nicht gegeben, können die oben genannten Verfahren nicht verwendet werden, und es müssen die nicht-parametrischen Tests verwendet werden, die keine Normalverteilung der Daten verlangen.
Die Normalverteilung kann entweder analytisch oder grafisch überprüft werden. Die gängigsten analytischen Tests um Daten auf Normalverteilung zu prüfen sind:
- Kolmogorov-Smirnov Test
- Shapiro-Wilk Test
- Anderson-Darling
Für die Grafische Prüfung wird entweder ein Histogramm oder der Q-Q-Plot verwendet.
Mehr Informationen wie du deine Daten auf Normalverteilung prüfen kannst findest du hier:
numiqo.com/tutorial/test-auf-normalverteilung
Und hier geht es zum online Statistik Rechner:
numiqo.com/statistik-rechner/deskriptive-statistik
0:00 Wofür Normalverteilung
0:58 Normalverteilung prüfen
1:13 Normalverteilung analytisch prüfen
3:20 Nachteil der analytischen Prüfung
4:42 Normalverteilung grafisch prüfen
5:49 Normalverteilung mit Numiqo prüfen
#Normalverteilung #Hypothesentest #Statistik
![Simple Linear Regression vs. Multiple Linear Regression [in 60 sec.] #shorts](https://i.ytimg.com/vi/QDIcHw5mEMo/mqdefault.jpg "Simple Linear Regression vs. Multiple Linear Regression [in 60 sec.] #shorts
Simple Linear Regression vs. Multiple Linear Regression
#statistics #datascience #dataanalysis #dataanalytics #research #student #thesis #stats #researcher #science #datatab #SPSS #machinelearning")
![Violin Plot [Simply explained]](https://i.ytimg.com/vi/Rw00VmP--qk/mqdefault.jpg "Violin Plot [Simply explained]
A violin plot is a method of plotting numeric data and can be understood as a combination of a box plot and a kernel density plot. It provides a visualization of data distribution.
But how do we interpret a violin plot?
Kernel Density Estimation:
This is the outer layer of the violin plot and displays the density of the data at different values. The width of the plot at different values indicates the density of the data: a wider section suggests a higher density (more data points), whereas a narrower section indicates lower density (fewer data points). The violin plot is typically symmetrical, meaning it mirrors the density estimation on either side of its axis.
Central Box Plot which is Optional:
Inside the violin, there is often a miniature box plot which provides additional details about the datas distribution. The central line in this box plot represents the median of the data, while the edges of the box represent the interquartile range, giving insights into the datas spread.
Whiskers which are Optional:
Like in a box plot, whiskers might extend from the box, indicating variability outside the upper and lower quartiles. They can provide a visual cue for identifying outliers.
► Make a Violin Plot online
https://numiqo.com/statistics-calculator/charts/violin-plot
► E-BOOK
https://numiqo.com/statistics-book")
![One Factor vs. Two Factor ANOVA [One Way vs Two Way]](https://i.ytimg.com/vi/SnlOUfT55So/mqdefault.jpg "One Factor vs. Two Factor ANOVA [One Way vs Two Way]
What is a factor in a Analysis of variance? A factor is, for example, the gender of a person with the characteristics male and female, the form of therapy used for a disease with therapy A, B and C or the field of study with, for example, medicine, business administration, psychology and math.
In the case of variance analysis, a factor is a categorical variable. You use an analysis of variance whenever you want to test whether these categories have an influence on the so-called dependent variable.
Tutorial:
https://numiqo.com/tutorial/two-factorial-anova-without-repeated-measures")
