diff --git a/DCProject.Rmd b/DCProject.Rmd
index 5cb178c70c10a0e7139f6358f8595e59e65821e2..8f1b7d37717565ad861a6da87dfabf5a39e11210 100644
--- a/DCProject.Rmd
+++ b/DCProject.Rmd
@@ -117,18 +117,18 @@ Größe des Datensatzes: 24 Zeilen und 10 Spalten
 
 ## Datenaufbereitung
 ### Wie können Daten eingelesen werden
-Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX
+Es können verschiedene Datenvormate eingelesen werden, z.B CSV, XLSX
 
 1. Daten aus einer CSV-Datei einlesen
 
     [Video Tutorial für CSV-Dateien](https://www.youtube.com/watch?v=Ia5Q1LlCCFc)
 
-    es gibt zwei Funktionen zum einelesen einer CSV-Datei
+    es gibt zwei Funktionen zum einlesen einer CSV-Datei
     
-    - read.csv wird verwendet wenn Dezimalzahlen mit eine Punkt "." getrennt werden und Splaten durch ein Komma ",".
+    - read.csv wird verwendet wenn Dezimalzahlen mit einem Punkt "." getrennt werden und Spalten durch ein Komma ",".
     - read.csv2 wird verwendet wenn Dezimalzahlen durch eine Komma "," getrennt werden und Spalten durch ein Semikolon ";".
     
-    In diesem Beispiel wird der dataframe daten_csv erstelt durch die datei mit dem Namen daten.csv zusätzlich werden dan Fehlende Werte na mit na="NA"
+    In diesem Beispiel wird der dataframe daten_csv erstellt durch die Datei mit dem Namen daten.csv zusätzlich werden dann Fehlende Werte durch na="NA" aufgefüllt.
     
     Wenn die Datei im Arbeitsverzeichnis ist
     
@@ -144,13 +144,13 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX
     
     ```
     
-    Wenn man den Pfand erst nach dem ausführen angeben will kann man auch
+    Wenn man den Pfad erst nach dem ausführen angeben will kann man auch
     
     ```
     daten_csv <- read.csv2(file.choose(), na="NA")
     
     ```
-    nuzen dort wird nach dem ausführen ein Fenster geöfnet bei dem man die Datei dann im Explorer auswählen kann.
+    nuzen dort wird nach dem ausführen ein Fenster geöffnet bei dem man die Datei dann im Explorer auswählen kann.
     
     An die read.csv bzw read.csv2 können noch weitere Parameter Hinzugefügt werden z.B.
     
@@ -174,7 +174,7 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX
     install.packages("readxl")
     
     ```
-    Das benötigte Packert instalirt werden und mit
+    Das benötigte Packert installiert werden und mit
     
     ```
     libary (readxl)
@@ -193,13 +193,13 @@ Es können verschieden Datenvormate eingelesen werden z.B CSV, XLSX
 
 Durch die Funktion na.omit() können Zeilen entfernt werden in denen Fehlerhafte Werte stehen.
 
-Im Beisplie hier werden alle Zeilen mit na werten vom dataframe daten entfernt im dataframe gesaueberte_daten abgelegt
+Im Beispiel hier werden alle Zeilen mit na werten vom dataframe daten entfernt und im dataframe gesaueberte_daten abgelegt
 
 ```
 gesaueberte_daten <- na.omit(daten)
 ```
 
-Um fehlende Werte direkt bei der Berechnung zu behandel kann na.rm benutzt werde wenn es auf TRUE gesetzt ist überspringt es NA werte. Volgente Funktionen können na.rm nutzen
+Um fehlende Werte direkt bei der Berechnung zu behandeln kann na.rm benutzt werden. Wenn es auf TRUE gesetzt ist überspringt es NA werte. Folgende Funktionen können na.rm nutzen
 
 ```
 colSums()
@@ -223,13 +223,14 @@ rowSums(narmtest, na.rm = TRUE,)
 
 *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:
+Hier ist unser tatsächlicher Datensatz aus der Excel-Datei:
 ```{r}
-kable(head(data, 10))
+kable(head(data,10))
 ```
 
 ### Eigenschaften der Daten
-Nun können wir Eigenschaften wie Mittelwert, Meidan, Varianz und die Standartabweichung berechnen.
+
+Nun können wir Eigenschaften wie Mittelwert, Median, 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:
 
@@ -244,10 +245,21 @@ data_male <- as.numeric(unlist(selected_data[-1 ,1]))
 data_female <- as.numeric(unlist(selected_data[-1 ,2]))
 ```
 
-Und Berechnen:
+Und Berechnen:  
+Den Mittelwert:
+```{r}
+print(paste("Mittelwert male: ", mean(data_male), "Mittelwert female: ", mean(data_female)))
+```
+Den Median:
 ```{r}
 print(paste("Median male: ", median(data_male), "Median female: ", median(data_female)))
+```
+Die Varianz:
+```{r}
 print(paste("Varianz male: ", var(data_male), "Varianz female: ", var(data_female)))
+```
+und die Standartabweichung:
+```{r}
 print(paste("Std. Abweichung male: ", sd(data_male), "Std. Abweichung female: ", sd(data_female)))
 ```
 
@@ -257,7 +269,7 @@ 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:
+Für die erste Hypothese müssen wir lediglich 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])
@@ -291,6 +303,9 @@ 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: 
diff --git a/DCProject.html b/DCProject.html
index e8884d2538680c1ce303330ff5478f996eb2a5ed..0a55f4e2ab3db0c511ce0fe261eb9920c63dd425 100644
--- a/DCProject.html
+++ b/DCProject.html
@@ -598,27 +598,27 @@ XLSX</p>
 <li><p>Daten aus einer CSV-Datei einlesen</p>
 <p><a href="https://www.youtube.com/watch?v=Ia5Q1LlCCFc">Video Tutorial
 für CSV-Dateien</a></p>
-<p>es gibt zwei Funktionen zum einelesen einer CSV-Datei</p>
+<p>es gibt zwei Funktionen zum einlesen einer CSV-Datei</p>
 <ul>
-<li>read.csv wird verwendet wenn Dezimalzahlen mit eine Punkt “.”
-getrennt werden und Splaten durch ein Komma “,”.</li>
+<li>read.csv wird verwendet wenn Dezimalzahlen mit einem Punkt “.”
+getrennt werden und Spalten durch ein Komma “,”.</li>
 <li>read.csv2 wird verwendet wenn Dezimalzahlen durch eine Komma “,”
 getrennt werden und Spalten durch ein Semikolon “;”.</li>
 </ul>
-<p>In diesem Beispiel wird der dataframe daten_csv erstelt durch die
-datei mit dem Namen daten.csv zusätzlich werden dan Fehlende Werte na
-mit na=“NA”</p>
+<p>In diesem Beispiel wird der dataframe daten_csv erstellt durch die
+Datei mit dem Namen daten.csv zusätzlich werden dann Fehlende Werte
+durch na=“NA” aufgefüllt.</p>
 <p>Wenn die Datei im Arbeitsverzeichnis ist</p>
 <pre><code>daten_csv &lt;- read.csv2(&quot;daten.csv&quot;, na=&quot;NA&quot;)
 </code></pre>
 <p>Wenn die Datei auserhalb des Arbeitsverzeichnis ist</p>
 <pre><code>daten_csv &lt;- read.csv2(&quot;C:/Dokumente/daten.csv&quot;, na=&quot;NA&quot;)
 </code></pre>
-<p>Wenn man den Pfand erst nach dem ausführen angeben will kann man
+<p>Wenn man den Pfad erst nach dem ausführen angeben will kann man
 auch</p>
 <pre><code>daten_csv &lt;- read.csv2(file.choose(), na=&quot;NA&quot;)
 </code></pre>
-<p>nuzen dort wird nach dem ausführen ein Fenster geöfnet bei dem man
+<p>nuzen dort wird nach dem ausführen ein Fenster geöffnet bei dem man
 die Datei dann im Explorer auswählen kann.</p>
 <p>An die read.csv bzw read.csv2 können noch weitere Parameter
 Hinzugefügt werden z.B.</p>
@@ -635,7 +635,7 @@ verwendet</p>
 <p>davor muss aber mit</p>
 <pre><code>install.packages(&quot;readxl&quot;)
 </code></pre>
-<p>Das benötigte Packert instalirt werden und mit</p>
+<p>Das benötigte Packert installiert werden und mit</p>
 <pre><code>libary (readxl)</code></pre>
 <p>das Packet engebunden werden um die read Funktion verwenden zu
 können</p>
@@ -651,12 +651,12 @@ class="section level3">
 fehlende Werten in R löschen</a></p>
 <p>Durch die Funktion na.omit() können Zeilen entfernt werden in denen
 Fehlerhafte Werte stehen.</p>
-<p>Im Beisplie hier werden alle Zeilen mit na werten vom dataframe daten
-entfernt im dataframe gesaueberte_daten abgelegt</p>
+<p>Im Beispiel hier werden alle Zeilen mit na werten vom dataframe daten
+entfernt und im dataframe gesaueberte_daten abgelegt</p>
 <pre><code>gesaueberte_daten &lt;- na.omit(daten)</code></pre>
 <p>Um fehlende Werte direkt bei der Berechnung zu behandel kann na.rm
-benutzt werde wenn es auf TRUE gesetzt ist überspringt es NA werte.
-Volgente Funktionen können na.rm nutzen</p>
+benutzt werden. Wenn es auf TRUE gesetzt ist überspringt es NA werte.
+Folgende Funktionen können na.rm nutzen</p>
 <pre><code>colSums()
 
 rowSums()
@@ -683,8 +683,8 @@ rowMeans()</code></pre>
 <p><em>Information: Die hier dargestellten Tabellen beinhalten zur
 Veranschaulichung jeweils nur die ersten 10 Zeilen. Unser Datensatz
 besteht aus 24 Zeilen.</em></p>
-<p>Hier ist uner tatsächlicher Datensatz aus der Excel-Datei:</p>
-<pre class="r"><code>kable(head(data, 10))</code></pre>
+<p>Hier ist unser tatsächlicher Datensatz aus der Excel-Datei:</p>
+<pre class="r"><code>kable(head(data,10))</code></pre>
 <table style="width:100%;">
 <colgroup>
 <col width="11%" />
@@ -837,7 +837,7 @@ besteht aus 24 Zeilen.</em></p>
 </table>
 <div id="section-eigenschaften-der-daten" class="section level3">
 <h3>Eigenschaften der Daten</h3>
-<p>Nun können wir Eigenschaften wie Mittelwert, Meidan, Varianz und die
+<p>Nun können wir Eigenschaften wie Mittelwert, Median, 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:</p>
@@ -897,13 +897,19 @@ kable(head(selected_data, 10))</code></pre>
 Spalten etwas konvertiert:</p>
 <pre class="r"><code>data_male &lt;- as.numeric(unlist(selected_data[-1 ,1]))
 data_female &lt;- as.numeric(unlist(selected_data[-1 ,2]))</code></pre>
-<p>Und Berechnen:</p>
+<p>Und Berechnen:<br />
+Den Mittelwert:</p>
+<pre class="r"><code>print(paste(&quot;Mittelwert male: &quot;, mean(data_male), &quot;Mittelwert female: &quot;, mean(data_female)))</code></pre>
+<pre><code>## [1] &quot;Mittelwert male:  1209270.875 Mittelwert female:  1110770.875&quot;</code></pre>
+<p>Den Median:</p>
 <pre class="r"><code>print(paste(&quot;Median male: &quot;, median(data_male), &quot;Median female: &quot;, median(data_female)))</code></pre>
-<pre><code>## [1] &quot;Median male:  NA Median female:  NA&quot;</code></pre>
+<pre><code>## [1] &quot;Median male:  1131967.5 Median female:  1037268.5&quot;</code></pre>
+<p>Die Varianz:</p>
 <pre class="r"><code>print(paste(&quot;Varianz male: &quot;, var(data_male), &quot;Varianz female: &quot;, var(data_female)))</code></pre>
-<pre><code>## [1] &quot;Varianz male:  NA Varianz female:  NA&quot;</code></pre>
+<pre><code>## [1] &quot;Varianz male:  41499717399.6793 Varianz female:  52823225049.6793&quot;</code></pre>
+<p>und die Standartabweichung:</p>
 <pre class="r"><code>print(paste(&quot;Std. Abweichung male: &quot;, sd(data_male), &quot;Std. Abweichung female: &quot;, sd(data_female)))</code></pre>
-<pre><code>## [1] &quot;Std. Abweichung male:  NA Std. Abweichung female:  NA&quot;</code></pre>
+<pre><code>## [1] &quot;Std. Abweichung male:  203714.794258246 Std. Abweichung female:  229833.037332929&quot;</code></pre>
 </div>
 <div id="section-hypothesentest" class="section level3">
 <h3>Hypothesentest</h3>
@@ -915,7 +921,7 @@ dem WS 00/01 verdoppelt.</li>
 studierenden Männern (insgesamt) hat sich seit dem WS 98/99 stetig
 erhöht.</li>
 </ul>
-<p>Für die erste Hypothese müssen wir ledeglich die Summe der
+<p>Für die erste Hypothese müssen wir lediglich 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
@@ -1040,11 +1046,11 @@ Visualisierung:</p>
 <pre class="r"><code>plot(daten$Jahr, daten$Frauen_Anteil, xlab = &quot;Jahr&quot;, ylab = &quot;% Anteil Frauen&quot;, main = &quot;Trend der Frauenanteile&quot;)
 
 abline(trend_f, col = &quot;red&quot;)</code></pre>
-<p><img src="DCProject_files/figure-html/unnamed-chunk-8-1.png" width="624" /></p>
+<p><img src="DCProject_files/figure-html/unnamed-chunk-11-1.png" width="624" /></p>
 <pre class="r"><code>plot(daten$Jahr, daten$Männer_Anteil, xlab = &quot;Jahr&quot;, ylab = &quot;% Anteil Männer&quot;, main = &quot;Trend der Männeranteile&quot;)
 
 abline(trend_m, col = &quot;blue&quot;)</code></pre>
-<p><img src="DCProject_files/figure-html/unnamed-chunk-9-1.png" width="624" /></p>
+<p><img src="DCProject_files/figure-html/unnamed-chunk-12-1.png" width="624" /></p>
 <p>Wie man sieht ist es tatsächlich so, dass der Frauenanteil stetig
 gestiegen ist, im vergleich zum Männeranteil.</p>
 </div>
@@ -1060,6 +1066,7 @@ library(learnr)
 library(readxl)
 library(knitr)
 library(dplyr)
+library(shiny)
 
 
 current_dir = getwd()
@@ -1093,7 +1100,7 @@ session$onSessionEnded(function() {
 <!--/html_preserve-->
 <!--html_preserve-->
 <script type="application/shiny-prerendered" data-context="execution_dependencies">
-{"type":"list","attributes":{"names":{"type":"character","attributes":{},"value":["packages"]}},"value":[{"type":"list","attributes":{"names":{"type":"character","attributes":{},"value":["packages","version"]},"class":{"type":"character","attributes":{},"value":["data.frame"]},"row.names":{"type":"integer","attributes":{},"value":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55]}},"value":[{"type":"character","attributes":{},"value":["backports","base","bslib","cachem","cellranger","checkmate","cli","compiler","datasets","digest","dplyr","ellipsis","evaluate","fansi","fastmap","fontawesome","generics","glue","graphics","grDevices","highr","htmltools","htmlwidgets","httpuv","jquerylib","jsonlite","knitr","later","learnr","lifecycle","magrittr","methods","mime","pillar","pkgconfig","promises","R6","Rcpp","readxl","rlang","rmarkdown","rprojroot","sass","shiny","stats","tibble","tidyselect","tools","utf8","utils","vctrs","withr","xfun","xtable","yaml"]},{"type":"character","attributes":{},"value":["1.4.1","4.3.1","0.5.0","1.0.8","1.1.0","2.2.0","3.6.1","4.3.1","4.3.1","0.6.32","1.1.2","0.3.2","0.21","1.0.4","1.1.1","0.5.1","0.1.3","1.6.2","4.3.1","4.3.1","0.10","0.5.5","1.6.2","1.6.11","0.1.4","1.8.5","1.43","1.3.1","0.11.4","1.0.3","2.0.3","4.3.1","0.12","1.9.0","2.0.3","1.2.0.1","2.5.1","1.0.10","1.4.2","1.1.1","2.22","2.0.3","0.4.6","1.7.4","4.3.1","3.2.1","1.2.0","4.3.1","1.2.3","4.3.1","0.6.3","2.5.0","0.39","1.8-4","2.3.7"]}]}]}
+{"type":"list","attributes":{"names":{"type":"character","attributes":{},"value":["packages"]}},"value":[{"type":"list","attributes":{"names":{"type":"character","attributes":{},"value":["packages","version"]},"class":{"type":"character","attributes":{},"value":["data.frame"]},"row.names":{"type":"integer","attributes":{},"value":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55]}},"value":[{"type":"character","attributes":{},"value":["backports","base","bslib","cachem","cellranger","checkmate","cli","compiler","datasets","digest","dplyr","ellipsis","evaluate","fansi","fastmap","fontawesome","generics","glue","graphics","grDevices","highr","htmltools","htmlwidgets","httpuv","jquerylib","jsonlite","knitr","later","learnr","lifecycle","magrittr","methods","mime","pillar","pkgconfig","promises","R6","Rcpp","readxl","rlang","rmarkdown","rprojroot","sass","shiny","stats","tibble","tidyselect","tools","utf8","utils","vctrs","withr","xfun","xtable","yaml"]},{"type":"character","attributes":{},"value":["1.4.1","4.2.3","0.5.0","1.0.8","1.1.0","2.2.0","3.6.1","4.2.3","4.2.3","0.6.31","1.1.2","0.3.2","0.21","1.0.4","1.1.1","0.5.1","0.1.3","1.6.2","4.2.3","4.2.3","0.10","0.5.5","1.6.2","1.6.11","0.1.4","1.8.5","1.43","1.3.1","0.11.4","1.0.3","2.0.3","4.2.3","0.12","1.9.0","2.0.3","1.2.0.1","2.5.1","1.0.10","1.4.2","1.1.1","2.22","2.0.3","0.4.6","1.7.4","4.2.3","3.2.1","1.2.0","4.2.3","1.2.3","4.2.3","0.6.3","2.5.0","0.39","1.8-4","2.3.7"]}]}]}
 </script>
 <!--/html_preserve-->
 </div>
diff --git a/DCProject_files/figure-html/unnamed-chunk-10-1.png b/DCProject_files/figure-html/unnamed-chunk-10-1.png
new file mode 100644
index 0000000000000000000000000000000000000000..5426a0edafb5544d3699f2c4aa936ead6e3a6cc0
Binary files /dev/null and b/DCProject_files/figure-html/unnamed-chunk-10-1.png differ
diff --git a/DCProject_files/figure-html/unnamed-chunk-11-1.png b/DCProject_files/figure-html/unnamed-chunk-11-1.png
new file mode 100644
index 0000000000000000000000000000000000000000..71a4d952386c0c28baad02a720f29c93c3ce787a
Binary files /dev/null and b/DCProject_files/figure-html/unnamed-chunk-11-1.png differ
diff --git a/DCProject_files/figure-html/unnamed-chunk-12-1.png b/DCProject_files/figure-html/unnamed-chunk-12-1.png
new file mode 100644
index 0000000000000000000000000000000000000000..5426a0edafb5544d3699f2c4aa936ead6e3a6cc0
Binary files /dev/null and b/DCProject_files/figure-html/unnamed-chunk-12-1.png differ
diff --git a/Datensatz.xlsx b/Datensatz.xlsx
index bc478f369c41c7e69320ab7b239de67f0a7f7285..5e68cc4c3bac77e11ba8cf54d1ed7cc94a2e9fce 100644
Binary files a/Datensatz.xlsx and b/Datensatz.xlsx differ