diff --git a/DCProject.Rmd b/DCProject.Rmd
index c48d5698afa503a6111590f551f0c1e7f80f1ea7..1164d79460e12ba5c1a27f8a27744b3f841abcec 100644
--- a/DCProject.Rmd
+++ b/DCProject.Rmd
@@ -184,16 +184,92 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX
 
 ## Datenanalyse
 
-Hier ist uner tatsächlicher Datensatz:
+*Information: Die hier dargestellten Tabellen beinhalten zur Veranschaulichung jeweils nur die ersten 10 Zeilen. Unser Datensatz besteht aus 24 Zeilen.*
+
+Hier ist uner tatsächlicher Datensatz aus der Excel-Datei:
 ```{r}
-print(data)
+kable(head(data, 10))
 ```
 
 ### Eigenschaften der Daten
+Nun können wir Eigenschaften wie Mittelwert, Meidan, Varianz und die Standartabweichung berechnen.
+Dazu nutzen wir die 8. und 9. Spalte. Diese enthalten die gesamte Anzahl der Männlichen und Weiblichen Student:innen der 
+Jahre:
+
+```{r}
+selected_data <- data[ ,8:9]
+kable(head(selected_data, 10))
+```
+
+Wir teilen die Daten in männlich und weiblich. Zusätzlich werden die Spalten etwas konvertiert:
+```{r}
+data_male <- as.numeric(unlist(selected_data[-1 ,1]))
+data_female <- as.numeric(unlist(selected_data[-1 ,2]))
+```
+
+Und Berechnen:
+```{r}
+print(paste("Median male: ", median(data_male), "Median female: ", median(data_female)))
+print(paste("Varianz male: ", var(data_male), "Varianz female: ", var(data_female)))
+print(paste("Std. Abweichung male: ", sd(data_male), "Std. Abweichung female: ", sd(data_female)))
+```
+
 ### Hypothesentest
+In der Datenbasis haben wir 2 Hypothesen aufgestellt:
+
+* Die Anzahl der Ausländischen Studenten in Deutschland hat sich seit dem WS 00/01 verdoppelt.
+* Der %-Anteil an studierenden Frauen (insgesamt) gegenüber studierenden Männern (insgesamt) hat sich seit dem WS 98/99 stetig erhöht.
+
+Für die erste Hypothese müssen wir ledeglich die Summe der Ausländischen Student:innen vom Wintersemester 2000 mit dem aktuellstem Wintersemester vergleichen und schauen, ob der Wert vom Aktuellen Semester größer oder gleich doppelt so groß ist wie vom altem Wintersemester:
+
+```{r}
+old_ws <- as.numeric(data[2,7])
+new_ws <- as.numeric(data[25,7])
+
+faktor <- 2
+old_ws_double <- old_ws * faktor
+
+print(paste("Stimmt es, dass die Anzahl an ausländischen Student:innen sich seid dem WS 2000 mindestens verdoppelt hat: ", new_ws >= old_ws_double))
+```
+
+Für die 2. Hypothese können wir die Lineare Regression und die Koeffizienz berechnen.
+
+```{r}
+daten <- data.frame(
+  Jahr = c(1998:2021),
+  Frauen = c(as.numeric(unlist(data[-1 ,9]))),
+  Männer = c(as.numeric(unlist(data[-1 ,8])))
+)
+
+daten$Frauen_Anteil <- daten$Frauen / (daten$Frauen + daten$Männer) * 100
+daten$Männer_Anteil <- daten$Männer / (daten$Frauen + daten$Männer) * 100
+
+trend_f <- lm(Frauen_Anteil ~ Jahr, data = daten)
+trend_m <- lm(Männer_Anteil ~ Jahr, data = daten)
+
+print(coef(trend_f))
+print(coef(trend_m))
+
+```
 
 ## Ergebnispräsentation
 
+In der Datenanalyse haben wir bei der 2. Hypothese geschaut, ob die Anzahl an Frauen im vergleich zu Männern stetig erhöt hat. Hierzu eine Visualisierung: 
+```{r}
+plot(daten$Jahr, daten$Frauen_Anteil, xlab = "Jahr", ylab = "% Anteil Frauen", main = "Trend der Frauenanteile")
+
+abline(trend_f, col = "red")
+```
+
+```{r}
+plot(daten$Jahr, daten$Männer_Anteil, xlab = "Jahr", ylab = "% Anteil Männer", main = "Trend der Männeranteile")
+
+abline(trend_m, col = "blue")
+```
+
+Wie man sieht ist es tatsächlich so, dass der Frauenanteil stetig gestiegen ist, im vergleich zum Männeranteil.
+
+
 ## Teaminfos
 Wer hat was erstellt/implementiert: