Datenmanagement - Exam

Aufgabe 1)

In einem Chemielabor werden verschiedene Daten auf unterschiedlichen Ebenen und Strukturen organisiert, um eine effiziente Verwaltung und Analyse zu gewährleisten. Du hast ein System, das bestehende Laborproben mit deren Eigenschaften und Untersuchungsergebnissen speichert. Diese Daten umfassen einfache numerische Werte, beschreibende Texte und Bezüge zu anderen Datensätzen. Dein Ziel ist es, diese Daten zu strukturieren, um sie effizient zu speichern und zu verarbeiten.

a)

Beschreibe, wie Du die Daten hierarchisch organisieren würdest, angefangen bei der untersten Ebene (Bits und Bytes) bis hin zur höchsten Ebene (Datenbanken und Data Warehouses). Gehe auf jede Ebene der Datenhierarchie ein und erkläre, welche Art von Informationen auf dieser Ebene gespeichert wird und wie diese Ebenen miteinander interagieren, um die Gesamtstruktur der Daten zu formen.

Lösung:

• Bits und Bytes: Auf der untersten Ebene werden die Daten als Bits und Bytes gespeichert. Ein Bit ist die kleinste Dateneinheit und kann entweder den Wert 0 oder 1 haben. Acht Bits bilden ein Byte, welches verwendet wird, um Zeichen zu kodieren. Diese grundlegenden Einheiten werden zur Speicherung von Rohdaten wie numerischen Werten und Texten verwendet.
• Datentypen: Die Bits und Bytes werden in bestimmten Datentypen zusammengefasst, um aussagekräftige Werte wie Integer, Float, Strings usw. zu bilden. Ein Integer könnte beispielsweise vier Bytes (32 Bit) zur Darstellung einer Ganzzahl verwenden, während ein Float zur Darstellung einer Fließkommazahl ebenfalls vier Bytes verwenden könnte. Strings bestehen aus einer Folge von Bytes, die jeweils ein Zeichen darstellen. Diese Datentypen bilden die Grundlage für die Speicherung spezifischer Messwerte und Beschreibungen der Proben.
• Datensätze: Ein Datensatz besteht aus mehreren Datentypen und stellt eine logische Einheit dar, wie z.B. eine einzelne Laborprobe. Ein Datensatz könnte beispielsweise die Probe-ID, den Namen der Probe, den Messtyp und die Messergebnisse umfassen. Diese Informationen sind eng miteinander verknüpft und bilden eine sinnvolle Einheit zur Verarbeitung und Analyse.
• Tabellen: Mehrere ähnliche Datensätze werden zusammengefasst und in Tabellen organisiert. Jede Zeile einer Tabelle entspricht einem Datensatz, während die Spalten die verschiedenen Eigenschaften dieses Datensatzes darstellen. Um bei unserem Laborbeispiel zu bleiben, könnte eine Tabelle alle Proben eines bestimmten Typs enthalten, wobei jede Zeile eine Probe und jede Spalte eine Eigenschaft (wie Probe-ID, Name, Messtyp, Ergebnis) beschreibt.
• Datenbanken: Die Tabellen werden in Datenbanken organisiert, die mehrere, miteinander verknüpfte Tabellen enthalten. Eine Datenbank könnte verschiedene Tabellen für unterschiedliche Probentypen oder verschiedene Untersuchungsmethoden enthalten, die über Schlüssel (z.B. Primär- und Fremdschlüssel) miteinander verknüpft sind. Dies ermöglicht eine strukturierte und effiziente Abfrage, Aktualisierung und Verwaltung der Daten.
• Data Warehouses: Auf der höchsten Ebene befinden sich Data Warehouses. Sie dienen der Speicherung großer Datenmengen aus verschiedenen Quellen. Ein Data Warehouse aggregiert Daten aus mehreren Datenbanken und anderen Datenspeichern, sodass umfassende Analysen und Berichte erstellt werden können. Es firmiert als zentraler Speicherort aller Laborproben-Daten und Sicherstellung deren Konsistenz und Integrität über unterschiedliche zugrunde liegende Datenbanken hinweg. Beim Zugriff auf diese Ebene können komplexe Analysen und Musterkennung durchgeführt werden, um neue Erkenntnisse zu gewinnen und Entscheidungen zu unterstützen.

b)

Angenommen, Du möchtest die hierarchischen Beziehungen der Laborproben und ihrer Untersuchungsergebnisse mit einer Baumstruktur abbilden. Zeichne ein Baumdiagramm, das die hierarchischen Beziehungen der Daten in diesem System darstellt (z.B. Laborproben als Knoten, Untersuchungsergebnisse als untergeordnete Knoten). Erläutere, wie diese Struktur die spätere Suche und Verwaltung der Daten unterstützen kann.

Lösung:

Hier ist das Baumdiagramm, das die hierarchischen Beziehungen der Laborproben und ihrer Untersuchungsergebnisse darstellt:

• Labor
  • Laborprobe 1
    • Eigenschaft 1
    • Eigenschaft 2
    • Untersuchungsergebnis 1
      • Messwert 1
      • Messwert 2
    • Untersuchungsergebnis 2
      • Messwert 1
      • Messwert 2
  • Laborprobe 2
    • Eigenschaft 1
    • Eigenschaft 2
    • Untersuchungsergebnis 1
      • Messwert 1
      • Messwert 2
    • Untersuchungsergebnis 2
      • Messwert 1
      • Messwert 2

Erläuterung:

• Das oberste Level ist das Labor, welches als Wurzelknoten dient.
• Jede Laborprobe wird als direkter untergeordneter Knoten des Labors dargestellt.
• Jede Laborprobe hat mehrere Eigenschaften, die spezifische Merkmale oder Attribute der Probe beschrieben. Diese sind direkt untergeordnete Knoten der jeweiligen Laborprobe.
• Zusätzlich hat jede Laborprobe mehrere Untersuchungsergebnisse, welche als untergeordnete Knoten der Laborprobe dargestellt werden. Jedes Untersuchungsergebnis enthält mehrere Messwerte, die als untergeordnete Knoten des Untersuchungsergebnisses dienen.

Unterstützung der Suche und Verwaltung:

• Klare Struktur: Durch die Baumstruktur wird eine klare hierarchische Beziehung der Daten dargestellt, was die Verständlichkeit und Nachvollziehbarkeit der Daten erhöht.
• Einfache Navigation: Durch die hierarchische Struktur kann der Benutzer leicht zwischen den verschiedenen Ebenen der Daten navigieren und spezifische Informationen schnell finden.
• Schnelle Suche: Eine baumartige Organisation ermöglicht effiziente Suchalgorithmen, die die Daten entlang der Verzweigungen durchsuchen, um die gewünschten Informationen schnell zu finden.
• Bessere Verwaltung: Die hierarchische Struktur erleichtert das Hinzufügen, Entfernen und Aktualisieren von Daten, da jede Ebene der Hierarchie spezifische Regeln und Abhängigkeiten definiert, die beachtet werden können.

Aufgabe 2)

Stelle Dir vor, Du bist verantwortlich für die Qualitätssicherung in einer chemischen Forschungsabteilung an der Universität. In Deiner Aufgabe geht es darum, sicherzustellen, dass die Daten korrekt, konsistent und fehlerfrei sind. Du setzt verschiedene Techniken und Protokolle ein, um die Datenqualität zu gewährleisten, und führst regelmäßig Prüfungen und Tests durch, um Fehler zu vermeiden und zu korrigieren. Dazu verwendest Du wichtige Methoden wie Validierung, Verifizierung und Auditing und nutzt Werkzeuge wie Checksummen und Datenbanken mit Integritätsbeschränkungen. Du musst außerdem Maßnahmen ergreifen, um Gefährdungen wie Datenkorruption, unautorisierte Zugriffe und Hardwarefehler zu verhindern.

a)

Beschreibe mindestens drei Methoden, die Du zur Validierung und Verifizierung von Daten einsetzen können. Erkläre den Unterschied zwischen Validierung und Verifizierung.

Lösung:

Um die Datenqualität in einer chemischen Forschungsabteilung sicherzustellen, kannst Du folgende Methoden zur Validierung und Verifizierung von Daten einsetzen:

• Syntaktische Prüfung: Dabei wird überprüft, ob die Daten dem erforderlichen Format und den Konventionen entsprechen. Zum Beispiel könnte ein syntaktischer Check sicherstellen, dass eine Datumsangabe im Format TT/MM/JJJJ vorliegt.
• Logische Prüfung: Diese Methode stellt sicher, dass die Dateninhalt logisch und konsistent sind. Beispielsweise kann überprüft werden, ob das Ende eines Experiments nicht vor dem Anfang liegt oder ob alle Proben innerhalb eines Messbereichs liegen.
• Kreuzvalidierung: Hierbei werden Datenquellen miteinander verglichen, um Konsistenz zu gewährleisten. Zum Beispiel könnten die Ergebnisse eines Experiments mit denen aus einem ähnlichen Experiment verglichen werden, um Abweichungen zu identifizieren.

Unterschied zwischen Validierung und Verifizierung

• Validierung: Die Validierung stellt sicher, dass die Daten den Anforderungen und spezifizierten Anforderungen entsprechen. Primär wird überprüft, ob die Daten sinnvoll und brauchbar sind. Zum Beispiel wird geprüft, ob die Messdaten eines Experiments glaubwürdige und erwartete Ergebnisse liefern.
• Verifizierung: Die Verifizierung hingegen stellt sicher, dass die Daten korrekt und genau erfasst wurden. Es geht darum, zu bestätigen, dass der Prozess der Datenerfassung ordnungsgemäß durchgeführt wurde. Beispielsweise wird geprüft, ob alle Schritte eines Experiments protokolliert und die Daten korrekt aufgezeichnet wurden.

Durch die Kombination dieser Methoden kannst Du in Deiner Position in der Qualitätssicherung sicherstellen, dass die Forschungsdaten konsistent, fehlerfrei und zuverlässig sind.

b)

Erläutere, wie Checksummen verwendet werden, um die Datenintegrität zu gewährleisten. Wie würdest Du eine einfache Checksumme implementieren? Nutze Beispiele und formuliere einen Algorithmus in Python.

Lösung:

Checksummen sind eine grundlegende Technik, um die Datenintegrität zu gewährleisten. Eine Checksumme ist eine kleine Datenmenge, die aus einem größeren Datensatz berechnet wird. Sie dient dazu, zu überprüfen, ob die Daten während der Übertragung oder Speicherung unverändert geblieben sind. Wenn die Daten später wieder gelesen werden, kann die Checksumme erneut berechnet und mit der ursprünglichen verglichen werden. Wenn beide Checksummen übereinstimmen, sind die Daten höchstwahrscheinlich unverändert; wenn nicht, gibt es einen Fehler oder eine Veränderung der Daten.

Implementierung einer einfachen Checksumme

Eine einfache Form der Checksumme ist die sog. Paritätsprüfung oder eine simple Summe. Hier ist ein Beispielalgorithmus in Python, der eine einfache Checksumme berechnet, indem er die ASCII-Werte aller Zeichen in einem String addiert:

def berechne_checksumme(daten: str) -> int:  checksumme = 0  for char in daten:  checksumme += ord(char)  return checksumme

Beispiel:

Wenn Du die Checksumme für den String "Hallo" berechnen möchtest:

daten = "Hallo" checksumme = berechne_checksumme(daten) print(f"Die Checksumme für '{daten}' ist: {checksumme}")

Die Funktion ord(char) gibt den ASCII-Wert des Zeichens zurück, und alle Werte werden in einer Schleife summiert. Die resultierende Checksumme wird dann zurückgegeben und kann zur Überprüfung der Datenintegrität verwendet werden.

Beispiel für die Verwendung der Checksumme zur Verifizierung

def verifiziere_daten(daten: str, erwartete_checksumme: int) -> bool:  return berechne_checksumme(daten) == erwartete_checksumme

Beispiel:

Angenommen, Du hast den ursprünglichen Datenstring "Hallo" und die berechnete Checksumme. Um die Integrität der Daten später zu überprüfen:

original_daten = "Hallo" erwartete_checksumme = berechne_checksumme(original_daten) kopie_daten = "Hallo" ist_intakt = verifiziere_daten(kopie_daten, erwartete_checksumme) print(f"Sind die Daten intakt? {'Ja' if ist_intakt else 'Nein'}")

Wenn verifiziere_daten zurückgibt, dass die Daten intakt sind, bedeutet dies, dass die Datenkopie identisch mit den ursprünglich gespeicherten Daten ist.

Diese einfachen Methoden können verwendet werden, um eine erste Stufe der Datenintegritätsprüfung in der Qualitätssicherung Deiner Forschungsdaten durchzuführen.

c)

Identifiziere und beschreibe mindestens drei häufige Gefährdungen der Datenintegrität in einem chemischen Forschungslabor. Welche Maßnahmen würdest Du ergreifen, um diese Gefährdungen zu minimieren?

Lösung:

In einem chemischen Forschungslabor gibt es zahlreiche potenzielle Gefährdungen der Datenintegrität. Hier sind drei häufige Gefährdungen und die dazugehörigen Maßnahmen, um diese zu minimieren:

• Datenkorruption: Datenkorruption kann durch unterschiedliche Faktoren wie fehlerhafte Hardware, Softwarefehler oder Stromausfälle verursacht werden. Maßnahmen zur Minimierung:
  • Regelmäßige Backups: Stelle sicher, dass regelmäßig Backups der Daten erstellt werden, um im Falle einer Korruption auf eine frühere Version zurückgreifen zu können.
  • Speicherfehlertolerante Systeme: Setze auf zuverlässige, fehlerreduzierende Speicherlösungen wie RAID und ECC-Speicher.
  • Datenvalidierung: Implementiere regelmäßige Datenintegritätsprüfungen, um frühzeitig auf Probleme aufmerksam zu werden.
• Unautorisierte Zugriffe: Daten können durch unautorisierte Zugriffe kompromittiert oder manipuliert werden. Maßnahmen zur Minimierung:
  • Benutzerzugriffsverwaltung: Richte ein strenges Benutzerverwaltungssystem ein und beschränke den Zugriff auf sensible Daten nur auf autorisierte Personen.
  • Verschlüsselung: Verschlüssele sensible Daten sowohl im Ruhezustand als auch während der Übertragung, um sie vor unbefugtem Zugriff zu schützen.
  • Protokollierung und Überwachung: Implementiere Systeme zur Protokollierung und Überwachung von Zugriffen und Aktivitäten, um verdächtiges Verhalten frühzeitig zu erkennen und zu reagieren.
• Hardwarefehler: Hardwareausfälle können zu Datenverlust oder Datenbeschädigung führen. Maßnahmen zur Minimierung:
  • Wartung und Überwachung: Führe regelmäßig Wartungsarbeiten durch und überwache die Hardware auf Anzeichen von Verschleiß oder Anomalien.
  • Redundante Systeme: Setze redundante Systeme und Komponenten wie unterbrechungsfreie Stromversorgungen (USV) und Ersatzhardware ein, um den Betrieb auch bei Ausfällen sicherzustellen.
  • Notfallwiederherstellungspläne: Erstelle und teste Notfallwiederherstellungspläne, um im Falle eines Hardwareausfalls schnell und effizient reagieren zu können.

Indem Du diese Maßnahmen ergreifst, kannst Du die Integrität der Daten in Deinem chemischen Forschungslabor erheblich verbessern und die Wahrscheinlichkeit von Datenverlusten oder -beschädigungen reduzieren.

d)

Erkläre den Prozess und die Bedeutung des Auditing in Bezug auf die Datenqualitätssicherung. Illustrie den Prozess anhand eines Beispiels, das speziell auf ein chemisches Forschungslabor zugeschnitten ist.

Lösung:

Auditing ist ein entscheidender Prozess im Rahmen der Datenqualitätssicherung, der die systematische Überprüfung und Bewertung von Daten, Prozessen und Systemen umfasst. Das Ziel des Audits ist es, sicherzustellen, dass die Daten korrekt, konsistent und fehlerfrei sind und dass die Prozesse den festgelegten Standards und Vorschriften entsprechen.

Prozess des Auditing

Der Auditing-Prozess umfasst mehrere Schritte:

• Planung: Der Auditprozess beginnt mit der Planung, bei der der Umfang und die Ziele des Audits festgelegt werden. Dazu gehört die Entscheidung, welche Daten und Prozesse überprüft werden sollen und welche Kriterien dabei zugrunde gelegt werden.
• Datensammlung: Im nächsten Schritt werden relevante Daten und Informationen gesammelt. Dies kann durch Interviews, die Überprüfung von Dokumentationen und die Analyse von Protokollen und Datenbanken erfolgen.
• Analyse: Die gesammelten Daten werden analysiert, um Schwachstellen, Inkonsistenzen und Fehler zu identifizieren. Dabei kommen verschiedene Techniken und Werkzeuge zum Einsatz, wie z.B. statistische Analysen und Datenvalidierung.
• Berichterstattung: Die Ergebnisse der Analyse werden in einem Auditbericht festgehalten. Dieser Bericht enthält die identifizierten Schwachstellen, Empfehlungen zur Verbesserung und Maßnahmen zur Fehlerbehebung.
• Follow-up: Nach Abschluss des Audits wird überprüft, ob die empfohlenen Maßnahmen umgesetzt wurden und ob sie die gewünschten Verbesserungen gebracht haben.

Bedeutung des Auditing

Auditing ist von großer Bedeutung, um sicherzustellen, dass:

• Die Daten in einem chemischen Forschungslabor präzise, konsistent und zuverlässig sind.
• Die Prozesse im Forschungslabor den geltenden Standardarbeitsanweisungen und regulatorischen Anforderungen entsprechen.
• Fehler und Schwachstellen frühzeitig erkannt und behoben werden.
• Die Integrität und Glaubwürdigkeit der Forschungsergebnisse gewährleistet ist.

Beispiel aus einem chemischen Forschungslabor

Angenommen, Du führst ein Audit in einem chemischen Forschungslabor durch, das neue Wirkstoffe für Medikamente testet:

• Planung: Du planst das Audit und legst fest, dass die Dokumentation der Experimente und die erfassten Messdaten überprüft werden sollen. Das Ziel ist es, die Genauigkeit und Vollständigkeit der Daten zu gewährleisten.
• Datensammlung: Du sammelst Daten aus den Laborprotokollen, elektronischen Datenbanken und den persönlichen Notizen der Forscher.
• Analyse: Du analysierst die gesammelten Daten, prüfst die Konsistenz der Ergebnisberichte mit den Rohdaten und verwendest Checksummen, um sicherzustellen, dass keine Datenkorruption vorliegt.
• Berichterstattung: Du erstellst einen detaillierten Auditbericht, der Inkonsistenzen zwischen den Rohdaten und den Berichtsdaten aufzeigt. Du empfiehlst die Implementierung von zusätzlichen Datenvalidierungsverfahren und die Schulung des Personals zur korrekten Dokumentation.
• Follow-up: Ein paar Wochen später überprüfst Du, ob die empfohlenen Maßnahmen umgesetzt wurden und stellst fest, dass die Datenqualität deutlich verbessert wurde. Du dokumentierst diese Verbesserungen im Nachfolgebericht.

Durch die regelmäßige Durchführung von Audits kannst Du sicherstellen, dass die Daten im chemischen Forschungslabor von hoher Qualität sind und dass die Forschungsprozesse effizient und regelkonform ablaufen.

Aufgabe 3)

Die Bayerische Chemie AG plant die Implementierung eines neuen Datenmanagementsystems zur besseren Datenspeicherung und -archivierung. Dabei müssen folgende Aspekte berücksichtigt werden:

• Stellen Sie sicher, dass die Datenintegrität, Verfügbarkeit und Sicherheit gewährleistet ist.
• Berücksichtigen Sie verschiedene Speichermedien wie Festplatten, SSDs, magnetische Bänder und Cloud-Speicher.
• Verwenden Sie standardisierte Datenformate wie XML, CSV und JSON.
• Beachten Sie gesetzliche Anforderungen wie die GDPdU und GoBD.
• Entwickeln Sie effektive Backup-Strategien, einschließlich Vollbackups, inkrementeller und differenzieller Backups.
• Nutzten Sie Metadaten zur schnellen Suche bei der Archivierung.

Elaborieren Sie im Folgenden spezifische Lösungen zu einzelnen Aspekten:

a)

Beschreiben Sie detailliert die Anforderungen an die Datenintegrität, Verfügbarkeit und Sicherheit in einem Datenmanagementsystem. Erklären Sie zudem, wie diese Anforderungen durch den Einsatz von Festplatten, SSDs, magnetischen Bändern und Cloud-Speichern erfüllt werden können. Diskutieren Sie dabei auch die Vor- und Nachteile der einzelnen Speichermedien.

Lösung:

Datenintegrität, Verfügbarkeit und Sicherheit in einem DatenmanagementsystemDatenintegrität, Verfügbarkeit und Sicherheit sind entscheidende Faktoren für jedes Datenmanagementsystem. Lassen Sie uns diese Anforderungen im Detail betrachten und erläutern, wie verschiedene Speichermedien diese Anforderungen erfüllen können.

• Datenintegrität: Die Integrität der Daten stellt sicher, dass die Daten korrekt und unverändert sind. Dies kann durch Maßnahmen wie Fehlererkennung und -korrektur, Checksummen und Datenvalidierung erreicht werden.
• Verfügbarkeit: Verfügbarkeit bedeutet, dass die Daten jederzeit zugänglich sind; dies erfordert Redundanz und Hochverfügbarkeitstechniken, um Ausfallzeiten zu minimieren.
• Sicherheit: Sicherheit umfasst den Schutz der Daten vor unbefugtem Zugriff, Veränderungen oder Löschung, was durch Verschlüsselung, Zugriffskontrollen und Sicherheitsrichtlinien erreicht wird.

Verschiedene Speichermedien und ihre Eigenschaften

• Festplatten (HDDs):
  • Vorteile: Hohe Kapazität, kostengünstig, bewährte Technologie.
  • Nachteile: Langsame Zugriffszeiten im Vergleich zu SSDs, anfällig für mechanische Fehler.
  • Datenintegrität: Regelmäßiges Defragmentieren und S.M.A.R.T.-Überwachung helfen, die Integrität zu gewährleisten.
  • Verfügbarkeit: RAID-Systeme können die Verfügbarkeit erhöhen.
  • Sicherheit: Physische Sicherheitsmaßnahmen und Softwareverschlüsselung sind notwendig.
• Solid-State-Drives (SSDs):
  • Vorteile: Sehr schnelle Zugriffszeiten, keine beweglichen Teile, geringerer Energieverbrauch.
  • Nachteile: Teurer pro GB im Vergleich zu HDDs, begrenzte Schreibzyklen.
  • Datenintegrität: TRIM-Befehl und Wear-Leveling-Techniken helfen, die Lebensdauer und Integrität zu erhöhen.
  • Verfügbarkeit: RAID-Konfigurationen können Ausfallsicherheit bieten.
  • Sicherheit: Hardware-Verschlüsselung und sichere Löschmethoden sind nützlich.
• Magnetische Bänder:
  • Vorteile: Kostengünstig für große Datenmengen, lange Haltbarkeit.
  • Nachteile: Langsame Zugriffszeiten, erfordert spezielle Hardware.
  • Datenintegrität: Periodische Überprüfung und Umschreiben der Daten können erforderlich sein.
  • Verfügbarkeit: Primär als Archivlösungen verwendet, daher weniger geeignet für häufigen Zugriff.
  • Sicherheit: Physischer Sicherheitsbedarf und verschlüsselte Lagerung sind wichtig.
• Cloud-Speicher:
  • Vorteile: Hohe Flexibilität, einfache Skalierbarkeit, Zugang von überall.
  • Nachteile: Abhängigkeit vom Internet, laufende Kosten, mögliche Datenschutzbedenken.
  • Datenintegrität: Anbieter bieten oft eingebaute Prüfungen zur Integritätsgarantie.
  • Verfügbarkeit: Hohe Verfügbarkeit durch georedundante Speicherung.
  • Sicherheit: Anbieter bieten eine Vielzahl von Sicherheitsmaßnahmen wie Verschlüsselung, IAM (Identity and Access Management) und regelmäßige Sicherheitsüberprüfungen.

Fazit:Jedes Speichermedium hat seine Vor- und Nachteile. Eine hybride Lösung, die verschiedene Speichertechnologien kombiniert, kann die besten Eigenschaften aller Medien nutzen und ein ausgewogenes Verhältnis von Kosten, Leistung und Sicherheit bieten. Durch den Einsatz von beispielsweise SSDs für oft genutzte Daten, HDDs für kostengünstige Speicherlösung und Cloud-Speicher für Flexibilität und Skalierbarkeit kann ein optimales Datenmanagementsystem umgesetzt werden.

Aufgabe 4)

Du arbeitest als Datenanalyst in einem Chemielabor und hast einen großen Datensatz mit experimentellen Messwerten erhalten, um eine explorative Datenanalyse (EDA) durchzuführen. Die Messwerte umfassen mehrere chemische Eigenschaften von Stoffen, zum Beispiel den pH-Wert, die Dichte, und die Leitfähigkeit. Die Datenanalyse soll mit Python durchgeführt werden, um die grundlegenden Zusammenhänge und Muster in den Daten zu erkennen.

a)

A) Erstelle eine Übersicht über die statistischen Kennzahlen (Mittelwert, Median, Standardabweichung) der Messwerte. Berechne diese Kennzahlen für den pH-Wert, die Dichte und die Leitfähigkeit. Zeige die berechneten Werte in einem gut strukturierten Format (zum Beispiel als Tabelle) an.

Lösung:

Um eine Übersicht über die statistischen Kennzahlen (Mittelwert, Median, Standardabweichung) für die Messwerte im Datensatz zu erstellen, können wir Python mit der Bibliothek pandas verwenden. Diese Bibliothek ist besonders gut geeignet für die Datenanalyse und -manipulation. Im Folgenden findest du ein Schritt-für-Schritt-Anleitung, wie du dies umsetzen kannst.

• Importiere die notwendigen Bibliotheken
• Lade die Daten in einen pandas DataFrame
• Berechne die statistischen Kennzahlen für den pH-Wert, die Dichte und die Leitfähigkeit
• Gib die berechneten Werte in einem gut strukturierten Format aus, z.B. als Tabelle

Hier ist der Python-Code dafür:

 import pandas as pd # Schritt 1: Importiere die notwendigen Bibliotheken und lade die Daten df = pd.read_csv('chemische_daten.csv') # Beispiel-Dateiname # Schritt 2: Berechne die statistischen Kennzahlen stats = df.agg({ 'pH-Wert': ['mean', 'median', 'std'], 'Dichte': ['mean', 'median', 'std'], 'Leitfähigkeit': ['mean', 'median', 'std'] }) # Schritt 3: Gib die berechneten Werte als Tabelle aus print(stats) 

Die Ausgabe dieses Codes ist eine Tabelle mit den Mittelwerten, Medianen und Standardabweichungen der drei chemischen Eigenschaften:

Eigenschaft	Mean	Median	Standardabweichung
pH-Wert	...	...	...
Dichte	...	...	...
Leitfähigkeit	...	...	...

Dieser Ansatz gibt dir eine schnelle und einfache Übersicht über die wichtigsten statistischen Kennzahlen der Messwerte in deinem Datensatz.

b)

B) Erstelle geeignete Diagramme zur Visualisierung der Verteilung der Messwerte. Nutze Histogramme, um die Verteilung von pH-Wert, Dichte und Leitfähigkeit zu visualisieren. Erstelle außerdem Boxplots, um mögliche Ausreißer in den Daten zu identifizieren. Beschreibe, was die erstellten Diagramme über die Daten aussagen.

Lösung:

Um geeignete Diagramme zur Visualisierung der Verteilung der Messwerte zu erstellen, können wir die Bibliotheken pandas und matplotlib verwenden. Diese Bibliotheken sind besonders gut geeignet für die Datenvisualisierung. Im Folgenden findest du eine Schritt-für-Schritt-Anleitung, wie du dies umsetzen kannst.

• Importiere die notwendigen Bibliotheken
• Lade die Daten in einen pandas DataFrame
• Erstelle Histogramme zur Visualisierung der Verteilung der Messwerte
• Erstelle Boxplots zur Identifizierung möglicher Ausreißer
• Beschreibe, was die erstellten Diagramme über die Daten aussagen

Hier ist der Python-Code dafür:

 import pandas as pd import matplotlib.pyplot as plt # Schritt 1: Importiere die notwendigen Bibliotheken und lade die Daten df = pd.read_csv('chemische_daten.csv') # Beispiel-Dateiname # Schritt 2: Erstelle Histogramme plt.figure(figsize=(12, 8)) plt.subplot(3, 1, 1) plt.hist(df['pH-Wert'], bins=30, alpha=0.7, color='blue') plt.title('Histogramm des pH-Werts') plt.xlabel('pH-Wert') plt.ylabel('Häufigkeit') plt.subplot(3, 1, 2) plt.hist(df['Dichte'], bins=30, alpha=0.7, color='green') plt.title('Histogramm der Dichte') plt.xlabel('Dichte') plt.ylabel('Häufigkeit') plt.subplot(3, 1, 3) plt.hist(df['Leitfähigkeit'], bins=30, alpha=0.7, color='red') plt.title('Histogramm der Leitfähigkeit') plt.xlabel('Leitfähigkeit') plt.ylabel('Häufigkeit') plt.tight_layout() plt.show() # Schritt 3: Erstelle Boxplots plt.figure(figsize=(12, 8)) plt.subplot(3, 1, 1) plt.boxplot(df['pH-Wert'], vert=False) plt.title('Boxplot des pH-Werts') plt.xlabel('pH-Wert') plt.subplot(3, 1, 2) plt.boxplot(df['Dichte'], vert=False) plt.title('Boxplot der Dichte') plt.xlabel('Dichte') plt.subplot(3, 1, 3) plt.boxplot(df['Leitfähigkeit'], vert=False) plt.title('Boxplot der Leitfähigkeit') plt.xlabel('Leitfähigkeit') plt.tight_layout() plt.show() 

Interpretation der Diagramme:

• Histogramme:
  • Das Histogramm des pH-Werts zeigt die Verteilung der pH-Werte in deinem Datensatz. Du kannst hier erkennen, ob die Verteilung normal ist oder schief. Ein zentriertes Histogramm um einen Mittelwert deutet auf eine normale Verteilung hin.
  • Das Histogramm der Dichte zeigt, wie sich die Dichte der Stoffe in deinem Datensatz verteilt. Auch hier kannst du sehen, ob die Verteilung normal ist oder ob es eine Schiefe gibt.
  • Das Histogramm der Leitfähigkeit gibt Aufschluss über die Verteilung der Leitfähigkeit der Stoffe. Du kannst erkennen, ob es eine breite oder schmale Verteilung gibt.
• Boxplots:
  • Der Boxplot des pH-Werts hilft dabei, mögliche Ausreißer zu identifizieren. Punkte, die weit außerhalb der Box liegen, sind potenzielle Ausreißer.
  • Der Boxplot der Dichte zeigt ebenfalls Ausreißer und gibt Informationen über die Verteilung der Dichte, inklusive des Mittelwerts und der Streuung.
  • Der Boxplot der Leitfähigkeit identifiziert mögliche Ausreißer und zeigt die Verteilung.

Diese Diagramme geben dir einen umfassenden Überblick über die Verteilung und mögliche Ausreißer in deinen Daten.

c)

C) Analysiere die Korrelationen zwischen den verschiedenen gemessenen chemischen Eigenschaften. Erstelle dazu eine Korrelationsmatrix und visualisiere diese mit einem Heatmap-Diagramm. Beschreibe die erkannten Zusammenhänge zwischen den chemischen Eigenschaften und leite daraus mögliche Hypothesen ab, die in zukünftigen Experimenten getestet werden könnten.

Lösung:

Um die Korrelationen zwischen den verschiedenen gemessenen chemischen Eigenschaften zu analysieren, können wir Python mit den Bibliotheken pandas und seaborn verwenden. Diese Bibliotheken sind besonders gut geeignet für die Erstellung von Korrelationstabellen und Heatmaps. Im Folgenden findest du eine Schritt-für-Schritt-Anleitung, wie du dies umsetzen kannst.

• Importiere die notwendigen Bibliotheken
• Lade die Daten in einen pandas DataFrame
• Erstelle die Korrelationsmatrix
• Visualisiere die Korrelationsmatrix mit einer Heatmap
• Beschreibe die erkannten Zusammenhänge zwischen den chemischen Eigenschaften und leite mögliche Hypothesen ab

Hier ist der Python-Code dafür:

 import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # Schritt 1: Importiere die notwendigen Bibliotheken und lade die Daten df = pd.read_csv('chemische_daten.csv') # Beispiel-Dateiname # Schritt 2: Erstelle die Korrelationsmatrix corr_matrix = df.corr() # Schritt 3: Visualisiere die Korrelationsmatrix mit einer Heatmap plt.figure(figsize=(10, 8)) sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', linewidths=0.5) plt.title('Heatmap der Korrelationsmatrix') plt.show() 

Interpretation der Korrelationsmatrix und Heatmap:

• Die Heatmap zeigt die Korrelationswerte zwischen den verschiedenen gemessenen chemischen Eigenschaften an. Ein Wert nahe +1 oder -1 deutet auf eine starke Korrelation hin, während ein Wert nahe 0 auf eine schwache oder keine Korrelation hinweist.
• Positive Korrelation: Wenn zwei Eigenschaften einen positiven Korrelationswert haben, bedeutet dies, dass sie tendenziell gemeinsam ansteigen. Beispielsweise könnte eine hohe Dichte mit einer hohen Leitfähigkeit korrelieren.
• Negative Korrelation: Eine negative Korrelation bedeutet, dass eine Eigenschaft tendenziell sinkt, wenn die andere ansteigt. Beispielsweise könnte ein hoher pH-Wert mit einer niedrigen Dichte korrelieren.

Mögliche Hypothesen:

• Wenn der pH-Wert und die Leitfähigkeit stark positiv korreliert sind, könntest du hypothesieren, dass bei steigendem pH-Wert auch die Leitfähigkeit der Stoffe zunimmt.
• Eine starke negative Korrelation zwischen Dichte und einer anderen Eigenschaft könnte eine Hypothese aufstellen, dass dichtere Stoffe diese Eigenschaft weniger stark ausprägen.

Diese Korrelationen bieten wertvolle Einblicke in die Beziehungen zwischen den verschiedenen chemischen Eigenschaften und können als Ausgangspunkt für zukünftige Experimente dienen.