Summary  
This chapter explains how to calculate sample variance by summing squared deviations from the mean and dividing by n − 1 to estimate data variability.  

General domain of usage  
Statistical data analysis

Nun folgt die Betrachtung der **Stichprobenvarianz**. Das Konzept ähnelt der **Populationsvarianz**, jedoch unterscheidet sich die Formel geringfügig, da die Daten nur einen Teil der gesamten Population repräsentieren.


**Formel**
$$
\text{variance} = \frac{\sum^n_{i=1}(x_i-\bar{x})^2}{n-1}
$$

Dabei gilt:
- $$n$$ – Stichprobengröße;
- $$i$$ – Index jedes Elements;
- $$x_i$$ – jedes Element;
- $$\bar{x}$$ – Mittelwert der Stichprobe.


Beispiel für die Varianz, gerundet auf zwei Dezimalstellen, für die Spalte `'salary_in_usd'`:

Die Varianz der Spalte `'salary_in_usd'` beträgt **5034932663.18**

## Wichtiger Hinweis zur Varianz

Die Varianz der Spalte `'salary_in_usd'` ist ziemlich hoch, was darauf hinweist, dass die Werte in dieser Spalte **weit gestreut** sind.

Je größer die Varianz, desto stärker sind die Werte verteilt.

Hinweis

Wählen Sie aus den Diagrammen mit gleicher Anzahl an Beobachtungen und identischen Mittelwerten dasjenige mit der geringeren Varianz aus.

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.