Initialversion: Forschungsprojekte 'HRT meets' und 'Grundsymbole' integriert

Systemische Kompetenzentwicklung HRT/Modellprüfung/Statistische Analyse.md

@@ -0,0 +1,86 @@
+## **Um die statistischen Analysen in dein bestehendes Modell einzufügen, darunter die Berechnung von Konfidenzintervallen und das Erstellen von Histogrammen zur Visualisierung der Endkompetenzwerte, kannst du den Code wie folgt erweitern:**
+## **Ergänzung zum Code**
+## **Nach der Simulation und grundlegenden Analyse können die folgenden Schritte implementiert werden:**
+		Berechnung von Konfidenzintervallen für den mittleren Kompetenzwert am Ende der Simulationsperiode.
+		- Erstellung von Histogrammen der Endkompetenzwerte, um die Verteilung zu visualisieren.
+## **Hier ist der vollständige Code mit den zusätzlichen statistischen Analysen:**
+python
+
+<p style="text-align:center;margin:0">
+</p>
+Copy code
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+import scipy.stats as stats
+
+# Definiere die Startbedingungen und Parameter
+start_kompetenz = 1.25
+quartale = 12
+bereitschafts_std = 0.1
+bereitschafts_steigerung_phase = {
+    'Anpassung': -0.1,
+    'Verfestigung': 0.2,
+    'Wachstum': 0.5,
+    'Plateau': 0.7
+}
+
+# Funktionen zur Anpassung der Bereitschaft, Motivation und Neugier
+def anpassung_der_bereitschaft(aktuelles_quartal):
+    if aktuelles_quartal <= 4:
+        return bereitschafts_steigerung_phase['Anpassung']
+    elif 5 <= aktuelles_quartal <= 6:
+        return bereitschafts_steigerung_phase['Verfestigung']
+    elif 7 <= aktuelles_quartal <= 10:
+        return bereitschafts_steigerung_phase['Wachstum']
+    else:
+        return bereitschafts_steigerung_phase['Plateau']
+
+def motivation(aktuelles_quartal):
+    if aktuelles_quartal == 8:
+        return -0.3
+    elif aktuelles_quartal == 12:
+        return 0.4
+    return 0
+
+def neugier(aktuelles_quartal, start_kompetenz):
+    if start_kompetenz < 5:
+        return 0.2 if aktuelles_quartal <= 6 else -0.1
+    return 0.1 if aktuelles_quartal <= 6 else -0.05
+
+# Simulation der Kompetenzentwicklung
+simulations_durchläufe = 1000
+ergebnisse = pd.DataFrame()
+
+for durchlauf in range(simulations_durchläufe):
+    kompetenz = [start_kompetenz]
+    for quartal in range(1, quartale + 1):
+        steigerung = anpassung_der_bereitschaft(quartal) + motivation(quartal) + neugier(quartal, start_kompetenz)
+        bereitschaft = np.random.normal(steigerung, bereitschafts_std)
+        neue_kompetenz = np.clip(kompetenz[-1] + bereitschaft, 1, 10)
+        kompetenz.append(neue_kompetenz)
+    ergebnisse[f'Quartal_{durchlauf}'] = kompetenz
+
+# Berechnung von Konfidenzintervallen
+end_kompetenzen = ergebnisse.iloc[-1]
+mittelwert = end_kompetenzen.mean()
+std_abweichung = end_kompetenzen.std()
+konfidenzintervall = stats.norm.interval(0.95, loc=mittelwert, scale=std_abweichung / np.sqrt(len(end_kompetenzen)))
+
+# Visualisierung von Histogramm der Endkompetenz
+plt.figure()
+plt.hist(end_kompetenzen, bins=10, color='blue', alpha=0.7)
+plt.title('Histogramm der Endkompetenzwerte')
+plt.xlabel('Kompetenzniveau')
+plt.ylabel('Häufigkeit')
+plt.grid(True)
+plt.show()
+
+# Ausgabe der Analyseergebnisse
+print("Durchschnittliche Endkompetenz:", mittelwert)
+print("Standardabweichung der Endkompetenz:", std_abweichung)
+print("95% Konfidenzintervall für die mittlere Endkompetenz:", konfidenzintervall)
+## **Erklärung**
+- Konfidenzintervalle: Das 95% Konfidenzintervall gibt an, wo die wahre mittlere Endkompetenz mit 95% Sicherheit liegt. Es wird unter der Annahme berechnet, dass die Endkompetenzen normalverteilt sind.
+- Histogramm: Dieses visualisiert die Verteilung der Endkompetenzwerte aller Simulationsdurchläufe, was hilft, die Form der Verteilung zu erkennen und auf Anomalien zu prüfen.
+## **Dieser Code fügt deinem Simulationsmodell wichtige statistische Analysen hinzu, um die Unsicherheit und Verteilung der Ergebnisse zu verstehen.**