Summary  
This chapter explains how to implement code to compute population variance by calculating the mean of a dataset, summing the squared differences between each value and the mean, and dividing by the total number of elements.  

General domain of usage  
Statistical data analysis

**Varianz** misst, wie stark die Werte in einem Datensatz vom Mittelwert abweichen. Sie liefert Einblick in die Streuung oder Verteilung der Daten.

Definition

Um dieses Konzept besser zu verstehen, betrachten Sie die Verteilung der Gehälter im Datensatz.

Die Formel zur Berechnung der Varianz unterscheidet sich je nachdem, ob mit einer Stichprobe oder der gesamten Population gearbeitet wird. In diesem Kapitel liegt der Fokus auf der Berechnung der **Populationsvarianz**.

$$
\text{variance} = \frac{\sum^N_{i=1}(x_i-\mu)^2}{N}\\
$$

Dabei gilt:
- $$N$$ - population size;
- $$i$$ - index of each element;
- $$x_i$$ - each element;
- $$\mu$$ - population mean value.

## Erklärung
Die Populationsvarianz wird berechnet, indem die Quadrate der Abweichungen jedes Datenpunkts vom Populationsmittelwert aufsummiert und anschließend durch die Anzahl der Elemente in der Population geteilt werden.

Erwerb einer soliden Grundlage in Statistik mit Python. Erlernen grundlegender statistischer Konzepte und deren Anwendung mit NumPy und pandas. Von grundlegenden Kennzahlen wie Mittelwert und Varianz bis hin zu Hypothesentests, Konfidenzintervallen und datengestützten Erkenntnissen mit praxisnahen Übungen.

Entdecken Sie grundlegende statistische Prinzipien, einschließlich Datentypen, Maße der zentralen Tendenz und wichtige Unterschiede zwischen Stichproben und Grundgesamtheiten.

Lernen Sie, Mittelwert, Median und Modus mit Python zu berechnen und zu interpretieren. Üben Sie diese Operationen mit pandas, um reale Datensätze zu analysieren.

Verstehen, wie Varianz und Standardabweichung die Streuung von Daten messen. Erlernen der manuellen Berechnung beider Kennzahlen sowie deren Berechnung mit Python-Tools.

Untersuchung, wie Kovarianz und Korrelation Beziehungen zwischen Variablen beschreiben. Anwendung der Berechnung und des Vergleichs beider Kennzahlen in Python.

Sicheres Beherrschen von Konfidenzintervallen zur Schätzung von Populationsparametern. Verwendung von NumPy, pandas und Visualisierungsbibliotheken zur Berechnung und Interpretation von Intervallen mit realen Daten.

Erlernen der Grundlagen der Hypothesentests und des t-Tests. Verständnis für die Planung, Durchführung und Interpretation von Tests mit Python zur Unterstützung datenbasierter Entscheidungen.