Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-04T06:21:06Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}

{{BR}}
= Einleitung =
'''Statistische Aussagen überprüfen''' bedeutet, Daten, Diagramme, Prozentangaben, Studienergebnisse und Schlussfolgerungen so zu prüfen, dass Du zwischen gut belegten Aussagen, unsicheren Deutungen und irreführenden Darstellungen unterscheiden kannst. In diesem aiMOOC lernst Du, wie Du Aussagen aus [[Medien]], [[Wissenschaft]], [[Politik]], [[Werbung]], [[Soziale Medien|sozialen Medien]] und dem Alltag kritisch, fair und methodisch überprüfst. Dabei geht es nicht darum, jede Statistik grundsätzlich zu misstrauen. Gute [[Statistik]] hilft, komplexe Wirklichkeit verständlich zu machen. Problematisch wird es, wenn Daten unvollständig, verzerrt, missverständlich dargestellt oder überinterpretiert werden.

Eine statistische Aussage kann zum Beispiel lauten: '''„80 Prozent der Befragten unterstützen Maßnahme X“''', '''„Das neue Lernprogramm verbessert die Leistung signifikant“''' oder '''„Je mehr Eis verkauft wird, desto mehr Badeunfälle passieren“'''. Solche Aussagen klingen oft eindeutig. Erst durch Prüfung erkennst Du, welche [[Grundgesamtheit]], welche [[Stichprobe]], welche [[Datenquelle]], welche [[Kennzahl]], welche [[Unsicherheit]] und welche [[Interpretation]] dahinterstehen.

[[Datei:Population versus sample (statistics).png|500px|rahmenlos|center]]

{{#ev:youtube| https://www.youtube.com/watch?v=n3x52C3qxH8 |500|center}}

{{BR}}
== Lernziele ==
Nach diesem aiMOOC kannst Du statistische Aussagen systematisch prüfen. Du kannst zwischen [[Beschreibung]], [[Schätzung]], [[Prognose]] und [[Kausalität|kausaler Erklärung]] unterscheiden. Du erkennst, warum [[Prozentrechnung|Prozentangaben]] ohne Bezugsgröße wenig aussagekräftig sein können, warum [[Korrelation]] keine automatische [[Ursache-Wirkung-Beziehung]] beweist und warum [[Konfidenzintervall|Konfidenzintervalle]], [[Signifikanzniveau]] und [[Effektstärke]] wichtige Ergänzungen zu bloßen Zahlenwerten sind.

Du lernst außerdem, wie Diagramme manipulativ wirken können, obwohl die zugrunde liegenden Daten nicht unbedingt falsch sind. Eine abgeschnittene [[Achse]], ein unpassender Maßstab, fehlende Fallzahlen oder selektiv ausgewählte Zeiträume können den Eindruck einer Aussage stark verändern. Gute Datenkompetenz bedeutet deshalb: Du prüfst nicht nur, '''was''' gezeigt wird, sondern auch, '''wie''' es gezeigt wird und '''was fehlt'''.

{{BR}}
= Was ist eine statistische Aussage? =
Eine [[statistische Aussage]] verbindet eine Behauptung mit Daten. Sie beschreibt eine Verteilung, vergleicht Gruppen, zeigt eine Entwicklung, schätzt einen unbekannten Wert oder behauptet einen Zusammenhang. Eine Aussage wie '''„Die Mehrheit ist dafür“''' ist erst dann statistisch prüfbar, wenn klar ist, wer gefragt wurde, wie viele Personen beteiligt waren, wann die Erhebung stattfand, welche Antwortmöglichkeiten angeboten wurden und wie die Ergebnisse ausgewertet wurden.

In der [[Deskriptive Statistik|deskriptiven Statistik]] werden vorhandene Daten durch [[Tabelle|Tabellen]], [[Diagramm|Diagramme]] und [[Kennzahl|Kennzahlen]] zusammengefasst. Dazu gehören zum Beispiel [[Mittelwert]], [[Median]], [[Modalwert]], [[Spannweite]], [[Quartil]] und [[Standardabweichung]]. Die deskriptive Statistik beschreibt die erhobenen Daten, macht aber nicht automatisch sichere Aussagen über alle Menschen, alle Fälle oder die Zukunft.

In der [[Induktive Statistik|induktiven Statistik]] werden aus einer [[Stichprobe]] Rückschlüsse auf eine [[Grundgesamtheit]] gezogen. Dafür braucht man geeignete Auswahlverfahren, mathematische Modelle und Angaben zur Unsicherheit. Wenn eine Stichprobe schlecht gezogen wurde, helfen auch genaue Rechnungen nur begrenzt, denn die Datenbasis ist dann möglicherweise verzerrt.

[[Datei:Histogram example.svg|500px|rahmenlos|center]]

{{BR}}
== Die Grundfrage: Was genau wird behauptet? ==
Bevor Du Zahlen überprüfst, formulierst Du die Aussage möglichst präzise. Aus der Schlagzeile '''„Jugendliche lesen immer weniger“''' können verschiedene prüfbare Aussagen entstehen: Lesen Jugendliche weniger Bücher als früher? Lesen sie weniger gedruckte Bücher, aber mehr digitale Texte? Geht es um Freizeit, Schule oder Ausbildung? Welche Altersgruppe ist gemeint? Welcher Zeitraum wird verglichen?

Eine gute Prüfung beginnt mit klaren Begriffen. Unklare Begriffe wie '''„viele“''', '''„kaum“''', '''„deutlich“''', '''„besser“''' oder '''„erfolgreich“''' müssen operationalisiert werden. [[Operationalisierung]] bedeutet, dass ein Begriff so festgelegt wird, dass er messbar wird. Aus '''„besser lernen“''' könnte zum Beispiel werden: höhere Punktzahl in einem standardisierten Test, weniger Fehler in einer Übung, schnellere Bearbeitungszeit oder nachhaltigeres Behalten nach vier Wochen.

{{BR}}
= Datenquelle und Erhebung prüfen =
Eine Zahl ist nur so verlässlich wie ihre Entstehung. Deshalb fragst Du zuerst nach der [[Datenquelle]]. Stammt die Statistik aus einer wissenschaftlichen Studie, einer amtlichen Erhebung, einer Unternehmensbefragung, einer Online-Abstimmung, einer Pressemitteilung oder einem einzelnen Social-Media-Beitrag? Jede Quelle kann wertvolle Informationen liefern, aber jede Quelle hat auch mögliche Interessen, Grenzen und Fehlerquellen.

Besonders wichtig ist die [[Erhebungsmethode]]. Wurden Daten durch Befragung, Beobachtung, Experiment, Messgerät, Verwaltungsdaten oder Webtracking gewonnen? Bei einer Befragung ist entscheidend, wie die Fragen formuliert wurden. Eine Frage wie '''„Sind Sie auch für die dringend notwendige Verbesserung?“''' lenkt stärker als eine neutrale Formulierung. Bei Messdaten ist wichtig, ob das Messinstrument geeignet, kalibriert und für die Fragestellung passend ist.

[[Datei:Simple random sampling.PNG|500px|rahmenlos|center]]

{{BR}}
== Stichprobe, Grundgesamtheit und Repräsentativität ==
Die [[Grundgesamtheit]] umfasst alle Fälle, über die eine Aussage gemacht werden soll. Die [[Stichprobe]] ist der tatsächlich untersuchte Teil dieser Grundgesamtheit. Wenn eine Umfrage Aussagen über alle Schülerinnen und Schüler eines Bundeslandes machen will, aber fast nur Lernende aus einer einzigen Schulform befragt, ist die Stichprobe wahrscheinlich nicht geeignet.

Der Begriff [[Repräsentativität]] wird im Alltag häufig verwendet, ist aber kritisch zu prüfen. Eine Stichprobe ist nicht allein deshalb überzeugend, weil sie groß ist. Entscheidend ist, ob die Auswahl zur Grundgesamtheit passt. Eine sehr große Online-Abstimmung kann verzerrt sein, wenn vor allem Menschen teilnehmen, die besonders interessiert, besonders betroffen oder besonders empört sind. Eine kleinere, sorgfältig gezogene [[Zufallsstichprobe]] kann für bestimmte Fragestellungen aussagekräftiger sein.

Typische Probleme bei Stichproben sind [[Selbstselektion]], [[Nonresponse Bias|Nichtantwort-Verzerrung]], [[Auswahlverzerrung]], zu kleine Fallzahlen, unpassende Gewichtung oder fehlende Angaben zur Zusammensetzung der Befragten. Wenn eine Statistik keine Informationen zur Stichprobe liefert, ist Vorsicht geboten.

[[Datei:Survey-survey.svg|500px|rahmenlos|center]]

{{BR}}
= Prozentangaben, absolute Zahlen und Bezugsgrößen =
[[Prozent|Prozentangaben]] wirken anschaulich, können aber ohne Bezugsgröße täuschen. Wenn eine Krankheit von 1 auf 2 Fälle steigt, ist das ein Anstieg um 100 Prozent. Absolut betrachtet handelt es sich aber um einen zusätzlichen Fall. Wenn ein Produkt '''„50 Prozent weniger Zucker“''' enthält, musst Du wissen, womit verglichen wird: mit der alten Rezeptur, mit einem Konkurrenzprodukt oder mit einem Durchschnittswert?

Prüfe bei Prozentangaben immer den [[Nenner]]. Die Aussage '''„30 Prozent der Teilnehmenden bestanden den Test nicht“''' bedeutet etwas anderes, wenn 10 Personen oder 10.000 Personen teilgenommen haben. Auch Prozentpunkte und Prozent dürfen nicht verwechselt werden. Ein Anstieg von 20 Prozent auf 30 Prozent ist ein Anstieg um 10 Prozentpunkte, relativ aber um 50 Prozent.

Eine faire statistische Aussage nennt nach Möglichkeit sowohl relative als auch absolute Werte. Sie erklärt, auf welche Gruppe sich die Zahl bezieht, wie groß diese Gruppe ist und ob fehlende Daten berücksichtigt wurden.

{{BR}}
= Kennzahlen verstehen und vergleichen =
[[Kennzahl|Kennzahlen]] verdichten Daten. Diese Verdichtung ist nützlich, kann aber Informationen verbergen. Der [[Mittelwert]] reagiert empfindlich auf [[Ausreißer]]. Der [[Median]] ist robuster, weil er den mittleren Wert einer sortierten Datenreihe angibt. Die [[Standardabweichung]] zeigt, wie stark Werte streuen. Die [[Spannweite]] zeigt den Abstand zwischen kleinstem und größtem Wert, sagt aber wenig über die Verteilung dazwischen.

Ein Beispiel: Zwei Klassen können denselben Mittelwert in einem Test haben, obwohl die Leistungen völlig unterschiedlich verteilt sind. In Klasse A liegen fast alle Ergebnisse nahe am Durchschnitt. In Klasse B gibt es sehr viele sehr niedrige und sehr hohe Ergebnisse. Ohne Streuungsmaß und Diagramm würdest Du diesen Unterschied möglicherweise übersehen.

[[Datei:Boxplot vs PDF.svg|500px|rahmenlos|center]]

{{BR}}
== Anscombes Quartett: Warum Diagramme wichtig sind ==
Das [[Anscombe-Quartett]] zeigt vier Datensätze, die ähnliche statistische Kennzahlen besitzen, aber sehr unterschiedlich aussehen. Dieses Beispiel macht deutlich: Du solltest Dich nicht allein auf Mittelwerte, Varianzen oder Korrelationskoeffizienten verlassen. Eine [[Datenvisualisierung]] kann Muster, Ausreißer, Gruppenstrukturen oder gekrümmte Zusammenhänge sichtbar machen.

[[Datei:Anscombe's quartet.svg|500px|rahmenlos|center]]

Ein gutes Diagramm zeigt die Daten nicht nur schön, sondern ehrlich. Dazu gehören eine sinnvolle Achsenskalierung, eindeutige Beschriftungen, eine erkennbare Datenbasis, passende Diagrammtypen und keine unnötigen 3D-Effekte. Ein Balkendiagramm mit abgeschnittener y-Achse kann kleine Unterschiede riesig wirken lassen. Ein Kreisdiagramm mit zu vielen Segmenten kann Zusammenhänge verschleiern.

{{BR}}
= Unsicherheit, Zufall und Konfidenzintervalle =
Statistische Aussagen sind selten absolut sicher. Besonders bei Stichproben spielt [[Zufall]] eine Rolle. Wenn Du aus einer Grundgesamtheit mehrere Stichproben ziehst, erhältst Du meist leicht unterschiedliche Ergebnisse. Deshalb sollten Schätzungen mit Angaben zur [[Unsicherheit]] verbunden werden.

Ein [[Konfidenzintervall]] gibt einen Bereich an, der die Präzision einer Schätzung beschreibt. Ein enger Bereich deutet auf eine genauere Schätzung hin, ein weiter Bereich auf größere Unsicherheit. Wichtig ist: Ein Konfidenzintervall ersetzt nicht die Prüfung der Datenqualität. Wenn die Stichprobe verzerrt ist, kann auch ein formal berechnetes Intervall irreführend sein.

[[Datei:Confidenceinterval.png|500px|rahmenlos|center]]

{{BR}}
== Normalverteilung und Streuung ==
Die [[Normalverteilung]] ist ein wichtiges Modell in der Statistik, weil viele Messwerte näherungsweise glockenförmig verteilt sind oder Mittelwerte unter bestimmten Bedingungen entsprechend verteilt sein können. Dennoch darfst Du nicht automatisch annehmen, dass Daten normalverteilt sind. Prüfe, ob die Form der Verteilung zur Fragestellung passt und ob Ausreißer, Schiefe oder mehrere Gruppen vorliegen.

[[Datei:Normal Distribution PDF.svg|500px|rahmenlos|center]]

[[Datei:Normal Distribution Sigma.svg|500px|rahmenlos|center]]

{{BR}}
= Statistische Signifikanz, p-Wert und Effektstärke =
[[Statistische Signifikanz]] bedeutet, dass ein beobachtetes Ergebnis unter einer vorher festgelegten [[Nullhypothese]] nach einer bestimmten Regel ungewöhnlich genug ist, um diese Nullhypothese zu verwerfen. Häufig wird ein [[Signifikanzniveau]] wie 5 Prozent verwendet. Das bedeutet nicht, dass die Aussage mit 95 Prozent Wahrscheinlichkeit wahr ist. Es bedeutet auch nicht automatisch, dass der Effekt praktisch wichtig ist.

Der [[p-Wert]] beschreibt, wie gut die beobachteten Daten oder noch extremere Daten zur Nullhypothese passen. Ein kleiner p-Wert kann ein Hinweis darauf sein, dass die Daten nicht gut zur Nullhypothese passen. Er sagt aber nicht allein, wie groß, bedeutsam oder zuverlässig ein Effekt ist. Deshalb solltest Du zusätzlich nach [[Effektstärke]], Konfidenzintervall, Studiendesign, Messqualität und möglicher Verzerrung fragen.

{{#ev:youtube| https://www.youtube.com/watch?v=gSyGVDMcg-U |500|center}}

Eine Aussage wie '''„Das Ergebnis ist signifikant“''' ist also nur ein Teil der Prüfung. Frage weiter: Wie groß ist der Unterschied? Ist er praktisch relevant? Wurde vorher festgelegt, was getestet wird? Wurden viele Tests durchgeführt? Gibt es unabhängige Wiederholungen? Stimmen Methode und Schlussfolgerung überein?

{{BR}}
= Korrelation, Kausalität und Scheinkorrelation =
Eine [[Korrelation]] zeigt, dass zwei Merkmale statistisch zusammenhängen. Sie beweist aber nicht automatisch, dass das eine Merkmal das andere verursacht. Eine [[Kausalität|kausale]] Aussage braucht zusätzliche Begründung: zeitliche Reihenfolge, plausible Mechanismen, Ausschluss von Alternativerklärungen, geeignete Kontrollgruppen oder ein überzeugendes Forschungsdesign.

[[Datei:Correlation vs causation.png|500px|rahmenlos|center]]

{{#ev:youtube| https://www.youtube.com/watch?v=MEAYyxticfE |500|center}}

Eine [[Scheinkorrelation]] entsteht, wenn zwei Größen zusammenhängen, ohne dass eine direkte Ursache-Wirkung-Beziehung besteht. Manchmal beeinflusst eine dritte Variable beide Größen. Wenn zum Beispiel Eisverkäufe und Badeunfälle im Sommer beide steigen, kann die Temperatur eine gemeinsame Einflussgröße sein. Die Aussage '''„Eis verursacht Badeunfälle“''' wäre dann irreführend.

{{BR}}
== Simpson-Paradoxon ==
Das [[Simpson-Paradoxon]] zeigt, dass ein Zusammenhang in mehreren Teilgruppen anders aussehen kann als in den zusammengefassten Daten. Dadurch kann sich ein Trend beim Aggregieren sogar umkehren. Deshalb ist es wichtig, relevante Untergruppen zu prüfen. Bei Bildungsdaten können zum Beispiel Schulform, Vorwissen, Alter, Sprache oder sozioökonomischer Hintergrund eine Rolle spielen. Bei Gesundheitsdaten können Alter, Vorerkrankungen oder Behandlungsgruppe wichtig sein.

[[Datei:Simpson's paradox continuous.svg|500px|rahmenlos|center]]

Wenn Du eine statistische Aussage überprüfst, frage daher: Welche Gruppen wurden zusammengefasst? Gibt es wichtige Unterschiede zwischen Teilgruppen? Wurden mögliche [[Störvariable|Störvariablen]] berücksichtigt? Passt die zusammengefasste Darstellung zur Fragestellung oder verdeckt sie entscheidende Unterschiede?

{{BR}}
= Typische Fehler beim Umgang mit Statistik =
Statistische Aussagen werden häufig nicht absichtlich gefälscht, sondern ungenau formuliert, verkürzt oder falsch interpretiert. Trotzdem können solche Fehler starke Wirkung entfalten. Besonders verbreitet sind fehlende Bezugsgrößen, zu kleine Stichproben, unklare Auswahlverfahren, Verwechslung von Korrelation und Kausalität, Überbetonung einzelner Ausreißer, unpassende Diagramme, selektive Zeiträume und fehlende Angaben zur Unsicherheit.

Ein weiterer Fehler ist das sogenannte [[Cherry Picking]]. Dabei werden nur die Daten ausgewählt, die zur gewünschten Aussage passen. Wenn ein Diagramm nur in einem besonders günstigen Startjahr beginnt, kann ein Trend stärker wirken, als er über einen längeren Zeitraum wäre. Auch Durchschnittswerte können täuschen, wenn Untergruppen sehr unterschiedlich sind.

Gute statistische Kritik ist fair. Sie sucht nicht nur nach Fehlern, sondern fragt, welche Aussage die Daten wirklich tragen. Manchmal ist eine vorsichtige Aussage angemessen: '''„Die Daten geben Hinweise auf einen Zusammenhang, beweisen aber keine Ursache.“''' Oder: '''„Die Stichprobe ist für diese Grundgesamtheit nicht ausreichend beschrieben.“''' Solche Formulierungen sind wissenschaftlich ehrlicher als überzogene Gewissheit.

{{BR}}
= Prüfschema für statistische Aussagen =
Mit dem folgenden Prüfschema kannst Du Schlagzeilen, Studien, Diagramme und Werbeaussagen untersuchen.

# [[Aussage klären]]: Formuliere genau, was behauptet wird und welche Begriffe messbar gemacht werden müssen.
# [[Datenquelle prüfen]]: Kläre, wer die Daten erhoben hat, mit welchem Ziel und mit welcher Methode.
# [[Grundgesamtheit bestimmen]]: Prüfe, auf wen oder was die Aussage verallgemeinert werden soll.
# [[Stichprobe bewerten]]: Achte auf Größe, Auswahlverfahren, Zusammensetzung und mögliche Verzerrungen.
# [[Bezugsgrößen prüfen]]: Vergleiche Prozentangaben mit absoluten Zahlen und Fallzahlen.
# [[Kennzahlen vergleichen]]: Prüfe Mittelwert, Median, Streuung und mögliche Ausreißer.
# [[Diagramme analysieren]]: Achte auf Achsen, Maßstab, Zeitraum, Beschriftung und Diagrammtyp.
# [[Unsicherheit einordnen]]: Suche nach Konfidenzintervallen, Fehlerbereichen und methodischen Grenzen.
# [[Zusammenhang prüfen]]: Unterscheide Korrelation, Scheinkorrelation und begründete Kausalität.
# [[Schlussfolgerung bewerten]]: Entscheide, ob die Daten die Aussage stark, schwach oder gar nicht stützen.

{{BR}}
= Beispielanalyse: Eine Schlagzeile überprüfen =
Stell Dir folgende Schlagzeile vor: '''„Lern-App steigert Matheleistung um 40 Prozent.“''' Zuerst klärst Du, was mit Matheleistung gemeint ist. Geht es um Testpunkte, Noten, Bearbeitungszeit oder Selbsteinschätzung? Dann prüfst Du die Datenquelle. Wurde die Untersuchung von einem unabhängigen Forschungsteam durchgeführt oder vom Anbieter der App? Danach schaust Du auf die Stichprobe. Wurden zufällig ausgewählte Lernende untersucht oder nur freiwillige Nutzerinnen und Nutzer, die ohnehin motiviert waren?

Anschließend untersuchst Du die Bezugsgröße. Ein Anstieg von 5 auf 7 Punkte ist relativ ein Plus von 40 Prozent, absolut aber nur 2 Punkte. Du fragst nach einer Kontrollgruppe: Haben Lernende ohne App im gleichen Zeitraum ebenfalls Fortschritte gemacht? Du prüfst, ob der Unterschied statistisch unsicher ist und ob er praktisch bedeutsam ist. Am Ende könntest Du formulieren: '''„Die Schlagzeile ist zu stark. Die Daten zeigen möglicherweise einen Lernfortschritt bei der untersuchten Gruppe, aber ohne genaue Angaben zu Stichprobe, Kontrollgruppe und Messverfahren lässt sich die Ursache nicht sicher beurteilen.“'''

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==
{{MC}}

'''Was solltest Du zuerst klären, wenn Du eine statistische Aussage überprüfst?'''
(Was genau behauptet wird)
(!Welche Farbe das Diagramm hat)
(!Ob die Aussage oft geteilt wurde)
(!Ob die Überschrift spannend klingt)

{{E}}
<br>

{{MC}}

'''Was bedeutet Korrelation?'''
(Zwei Merkmale hängen statistisch zusammen)
(!Ein Merkmal verursacht sicher ein anderes)
(!Eine Stichprobe ist automatisch repräsentativ)
(!Ein Ergebnis ist immer praktisch bedeutsam)

{{E}}
<br>

{{MC}}

'''Was beschreibt ein p-Wert grundsätzlich?'''
(Wie ungewöhnlich Daten unter der Nullhypothese wären)
(!Wie wahrscheinlich die Forschungshypothese wahr ist)
(!Wie groß die praktische Bedeutung eines Effekts ist)
(!Wie repräsentativ eine Stichprobe gezogen wurde)

{{E}}
<br>

{{MC}}

'''Warum ist die Stichprobe für statistische Aussagen wichtig?'''
(Sie beeinflusst, ob Ergebnisse verallgemeinerbar sind)
(!Sie ersetzt die Datenquelle vollständig)
(!Sie macht Diagramme automatisch korrekt)
(!Sie verhindert jede Form von Zufall)

{{E}}
<br>

{{MC}}

'''Was zeigt ein Konfidenzintervall vor allem an?'''
(Die Unsicherheit einer Schätzung als Bereich)
(!Den einzigen wahren Wert in jedem Einzelfall)
(!Die Farbe einer Datenreihe im Diagramm)
(!Die Anzahl aller möglichen Hypothesen)

{{E}}
<br>

{{MC}}

'''Was kann beim Simpson-Paradoxon passieren?'''
(Ein Gesamttrend kann Teilgruppentrends umkehren)
(!Jede Stichprobe wird automatisch größer)
(!Alle Prozentangaben werden falsch)
(!Ein Diagramm verliert seine Achsen)

{{E}}
<br>

{{MC}}

'''Warum solltest Du absolute Zahlen neben Prozentangaben prüfen?'''
(Gleiche Prozentwerte können sehr unterschiedliche Fallzahlen haben)
(!Prozentangaben sind immer verboten)
(!Absolute Zahlen sind grundsätzlich objektiv)
(!Prozentwerte enthalten nie Informationen)

{{E}}
<br>

{{MC}}

'''Was ist ein Ausreißer in einem Datensatz?'''
(Ein ungewöhnlich weit vom Rest entfernter Wert)
(!Der Median einer sortierten Datenreihe)
(!Die Quelle einer Befragung)
(!Die Grundgesamtheit einer Studie)

{{E}}
<br>

{{MC}}

'''Was gehört zu einer fairen statistischen Grafik?'''
(Achsen, Maßstab und Datenbasis werden offengelegt)
(!Die y-Achse wird immer abgeschnitten)
(!Die Legende wird weggelassen)
(!Nur die auffälligsten Werte werden gezeigt)

{{E}}
<br>

{{MC}}

'''Welche Aussage ist statistisch besonders vorsichtig formuliert?'''
(Die Daten geben Hinweise auf einen Zusammenhang)
(!Die Daten beweisen alles endgültig)
(!Die Grafik ersetzt jede Methode)
(!Die Stichprobe ist unwichtig)

{{E}}
<br>

{{BR}}
== Memory ==
<div class="memo-quiz">
{|
|-
| Stichprobe || Teilmenge der Grundgesamtheit
|-
| Median || Mittlerer Wert nach Sortierung
|-
| Korrelation || Statistischer Zusammenhang
|-
| Kausalität || Ursache-Wirkungs-Beziehung
|-
| Konfidenzintervall || Bereich der Schätzunsicherheit
|-
| Ausreißer || Auffällig extremer Datenwert
|-
| Grundgesamtheit || Alle relevanten Fälle
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==
<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Prüfschritte zu.
! Zweck
|-
| '''Aussage klären'''
| Behauptung präzise formulieren
|-
| '''Datenquelle prüfen'''
| Herkunft und Interesse bewerten
|-
| '''Stichprobe bewerten'''
| Verallgemeinerbarkeit einschätzen
|-
| '''Bezugsgröße prüfen'''
| Prozentwerte richtig einordnen
|-
| '''Unsicherheit einordnen'''
| Schätzung vorsichtig interpretieren

|}
{{E}}

<br>
...
<br />

{{BR}}
== Kreuzworträtsel ==
<div class="kreuzwort-quiz">
{|
|-
| Stichprobe || Wie heißt die untersuchte Teilmenge einer Grundgesamtheit?
|-
| Median || Welche robuste Kennzahl liegt in der Mitte sortierter Werte?
|-
| Varianz || Welche Kennzahl beschreibt die mittlere quadratische Abweichung?
|-
| Kontext || Was brauchst Du, um Prozentangaben sinnvoll einzuordnen?
|-
| Ursache || Was darfst Du aus einer bloßen Korrelation nicht automatisch ableiten?
|-
| Extremwert || Wie nennt man einen besonders ungewöhnlichen Datenwert?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==
<iframe> https://learningapps.org/index.php?s=Statistische+Aussagen+ueberpruefen+Statistik </iframe>

{{BR}}
== Lückentext ==
<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Bevor Du eine statistische Aussage bewertest, klärst Du zuerst die { Behauptung }. Eine Stichprobe ist nur dann hilfreich, wenn sie zur { Grundgesamtheit } passt. Prozentangaben brauchen eine klare { Bezugsgröße }. Der Mittelwert kann durch { Ausreißer } stark beeinflusst werden. Ein Konfidenzintervall zeigt die { Unsicherheit } einer Schätzung. Eine Korrelation beweist nicht automatisch eine { Kausalität }. Das Simpson-Paradoxon kann entstehen, wenn wichtige { Teilgruppen } zusammengefasst werden. Eine faire Grafik legt Achsen, Maßstab und { Datenbasis } offen.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =
{{BR}}
=== Leicht ===
# [[Statistik im Alltag]]: Sammle drei statistische Aussagen aus Nachrichten, Werbung oder sozialen Medien und markiere jeweils Behauptung, Zahl und Bezugsgruppe.
# [[Prozentangaben prüfen]]: Suche eine Prozentangabe und ergänze die passende absolute Zahl oder erkläre, warum die Aussage ohne absolute Zahl unvollständig bleibt.
# [[Diagramm lesen]]: Wähle ein Diagramm aus einer seriösen Quelle und beschreibe, was Du sicher ablesen kannst und was nicht gezeigt wird.
# [[Begriffe erklären]]: Erstelle ein kleines Glossar mit den Begriffen Stichprobe, Grundgesamtheit, Mittelwert, Median, Korrelation und Kausalität.

{{BR}}
=== Standard ===
# [[Mini-Umfrage]]: Plane eine kurze Umfrage in Deiner Klasse oder Lerngruppe, formuliere eine neutrale Frage und erkläre, warum Deine Stichprobe begrenzt ist.
# [[Datenvisualisierung]]: Erstelle aus einem kleinen Datensatz zwei verschiedene Diagramme und vergleiche, welches Diagramm die Aussage fairer darstellt.
# [[Korrelation prüfen]]: Finde ein Beispiel für einen Zusammenhang zwischen zwei Größen und entwickle mindestens zwei mögliche Alternativerklärungen.
# [[Mediencheck]]: Analysiere eine statistische Schlagzeile mit dem Prüfschema und schreibe eine sachliche Bewertung in fünf bis acht Sätzen.

{{BR}}
=== Schwer ===
# [[Replikation]]: Versuche, eine veröffentlichte statistische Aussage mit den angegebenen Daten oder einer ähnlichen Datenquelle nachzurechnen und dokumentiere Abweichungen.
# [[Simpson-Paradoxon]]: Konstruiere ein eigenes Zahlenbeispiel, bei dem Teilgruppen einen anderen Eindruck vermitteln als die zusammengefassten Daten.
# [[Forschungsdesign]]: Entwirf ein Studiendesign, mit dem eine kausale Behauptung besser geprüft werden könnte, und begründe Kontrollgruppe, Messung und mögliche Störvariablen.
# [[Datenjournalismus]]: Schreibe einen kurzen datenjournalistischen Beitrag, der eine Statistik verständlich erklärt, Unsicherheit offenlegt und keine überzogene Schlussfolgerung zieht.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =
# [[Transferanalyse]]: Untersuche eine unbekannte statistische Aussage und entscheide begründet, ob sie beschreibt, vergleicht, schätzt, prognostiziert oder Kausalität behauptet.
# [[Diagrammkritik]]: Vergleiche zwei Darstellungen derselben Daten und erkläre, wie Achsenskalierung, Zeitraum oder Diagrammtyp die Wahrnehmung verändern.
# [[Stichprobenbewertung]]: Beurteile eine Umfrage, bei der Auswahlverfahren, Fallzahl und Grundgesamtheit beschrieben sind, und formuliere die Grenzen der Verallgemeinerung.
# [[Kausalitätsprüfung]]: Erkläre an einem Beispiel, welche zusätzlichen Informationen nötig wären, um aus einer Korrelation eine plausible kausale Erklärung abzuleiten.
# [[Unsicherheitsdeutung]]: Interpretiere ein Ergebnis mit Konfidenzintervall und p-Wert so, dass sowohl statistische Unsicherheit als auch praktische Bedeutung berücksichtigt werden.
# [[Schlagzeile verbessern]]: Formuliere eine übertriebene statistische Überschrift in eine präzisere, vorsichtigere und datenfaire Aussage um.
# [[Störvariablen erkennen]]: Identifiziere in einem Fallbeispiel mögliche Störvariablen und schlage vor, wie man sie durch Studiendesign oder Auswertung berücksichtigen könnte.

<br>
<br>
{{BR}}
= Lernnachweis =
Für einen überzeugenden [[Lernnachweis]] zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst, sondern statistische Aussagen eigenständig prüfst. Dein Lernnachweis sollte eine ausgewählte statistische Aussage, die genaue Fragestellung, die Datenquelle, die Grundgesamtheit, die Stichprobe, die zentralen Kennzahlen, eine eigene Diagrammkritik, eine Einschätzung der Unsicherheit und eine begründete Schlussfolgerung enthalten.

# [[Quellenarbeit]]: Du nennst die Herkunft der Daten und bewertest ihre Vertrauenswürdigkeit.
# [[Methodenbewusstsein]]: Du erklärst, wie die Daten erhoben wurden und welche Grenzen daraus entstehen.
# [[Rechenkompetenz]]: Du kannst Prozentangaben, absolute Zahlen und einfache Kennzahlen korrekt einordnen.
# [[Visualisierungskompetenz]]: Du erkennst faire und irreführende Diagrammgestaltung.
# [[Interpretationskompetenz]]: Du unterscheidest Beschreibung, Zusammenhang und kausale Behauptung.
# [[Reflexion]]: Du formulierst eine vorsichtige, gut begründete Bewertung statt einer überzogenen Schlussfolgerung.
<br>
<br>

{{BR}}
= OERs zum Thema =
<iframe> https://de.m.wikipedia.org/wiki/Statistik </iframe>

<br>

{{BR}}
= Links =
{| align=center
{{:D-Tab}}
'''[[Statistische Aussagen überprüfen]]'''
# [[Statistik]]
# [[Deskriptive Statistik]]
# [[Induktive Statistik]]
# [[Stichprobe]]
# [[Grundgesamtheit]]
# [[Repräsentativität]]
# [[Mittelwert]]
# [[Median]]
# [[Standardabweichung]]
# [[Konfidenzintervall]]
# [[Statistische Signifikanz]]
# [[p-Wert]]
# [[Korrelation]]
# [[Kausalität]]
# [[Scheinkorrelation]]
# [[Simpson-Paradoxon]]
# [[Datenvisualisierung]]
# [[Diagramm]]
# [[Datenkompetenz]]
|}

[[Kategorie:Statistik]]
[[Kategorie:Mathematik]]
[[Kategorie:Medienbildung]]
[[Kategorie:Politische Bildung]]
[[Kategorie:Datenkompetenz]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:Sekundarstufe II]]
[[Kategorie:Schule]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

Statistische Aussagen überprüfen - Statistik - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt