In diesem Kurs vermitteln wir Ihnen die Grundlagen der Statistik. Nach der Einführung grundlegender Begriffe beginnen wir mit der deskriptiven Statistik. Dazu gehören Lagemaße, Streuungsmaße, Formmaße, Verteilungen und typische grafische Darstellungsformen der explorativen Datenanalyse, wie z.B. Histogramme und Box-Plots. Anschließend beginnen wir mit Themen der schließenden Statistik. Ausgehend vom fundamentalen Konzept des Hypothesentests behandeln wir Mittelwertvergleiche, Korrelationsanalysen und lineare Regressionsmodelle. Wir passen diesen Kurs in Länge und Schwerpunkt Ihren Vorkenntnissen und Bedürfnissen an.

Lernziele:

• beherrschen der Kennzahlen Mittelwert, Standardabweichung, Median, ....
• Histogramme und Boxplots verstehen
• sie können t-Tests anwenden, interpretieren und Voraussetzungen prüfen
• verstehen und anwenden von Korrelationsanalysen
• einfache lineare Regression beherrschen

Voraussetzungen:

Grundlagen der Statistik sind hilfreich, aber nicht Voraussetzung. Sie werden nach Bedarf im Kurs behandelt.

Veranstaltungsart: Inhouse oder offen
Kursgebühr: 980,- Netto je Teilnehmer (offen), Inhouse auf Nachfrage
Dauer: 2 Tage
Sprache: Deutsch oder Englisch

Dieser Lehrgang soll Grundlagen im Bereich Auswertung biologischer und medizinischer Daten vermitteln und auffrischen. Dabei werden Beispiele aus der Praxis bearbeitet, die es den Teilnehmern ermöglichen die Hintergründe zu verstehen. Der Lehrgang versteht sich ausdrücklich nicht als mathematisch orientierter Kurs, der den Teilnehmern Formelwissen vermittelt. Es wird vielmehr ein Überblick über die verschiedenen Möglichkeiten, Anwendungszusammenhänge und Risiken gegeben.

Lernziele:

• Deskriptive Statistik, statistische Kennzahlen
• statistische Graphik, Was ist eine gute Graphik?, Balkendiagramme, Fehlerbalken und Dosis-Response Kurven
• Statistisches Testen, Aufstellen von Hypothesen, einfacher t-Test
• Anlage von Experimenten, statistische Versuchsplanung, repeated measures
• weitere Testverfahren, ANOVA (Varianzanalyse), paarweiser t-Test, Wilcoxen Rank Sum test, etc.
• Regressionsanalysen
• lineare Regression einschließlich Transformationen
• nichlineare Regression einschließlich Dosis Wirkungs Kurven
• Lebensdaueranalyse, Kaplan-Meier Kurven und Cox Modell

Voraussetzungen:

Keine.

Dieser Lehrgang vermittelt die Grundlagen der Datenauswertung im Bereich technisch wissenschaftlicher Anwendungen. Dabei werden Beispiele aus der Praxis bearbeitet, die es den Teilnehmern ermöglichen die mathematischen Hintergründe zu verstehen. Der Lehrgang versteht sich ausdrücklich nicht als mathematisch orientierter Kurs, der den Teilnehmern Formelwissen vermittelt. Es wird vielmehr ein Überblick über die verschiedenen statistischen Verfahren und Anwendungszusammenhänge gegeben.

Lernziele:

• Einführung in die Statistik:
  Grundbegriffe (Mittelwert, Standardabweichung, Median,....),
  Software für Statistische Auswertungen Auswertung am PC, Grundsätze der Arbeitsweise aller Statistiksoftware,
  Hinweise zur sinnvollen Datenspeicherung
• Regressionsanalyse:
  einfache lineare Regression,
  Diagnose der Modellanpassung (r², Residuenplots)
• Varianzanalyse:
  t-Test,
  einfaktorielle ANOVA,
  multiple Vergleiche (Bonferroni, Tukey HSD, ...),
  Diagnose der Modellanpassung (r², Residuenplots)

Voraussetzungen:

Grundlagen der Statistik sind hilfreich, aber nicht Voraussetzung. Sie werden nach Bedarf im Kurs behandelt.

Dieser Kurs behandelt die Anwendung multivariater statistischer Methoden im Umfeld technischer Anwendung in Forschung und Entwicklung.

Alle Verfahren werden im Kurs anhand von praktischen Beispielen erläutert und können anhand der Software "R" nachvollzogen werden, Schwerpunkt bleibt die Vermittlung der notwendigen Verfahrenskenntnis.

Lernziele:

• Überblick und Beispiele zur multivariaten Statistik, Rückblick auf univariate Statistik
• Multivariate Varianzanalyse und multiple Vergleiche, faktorielle MANOVA, Kontraste
• Weitere multivariate lineare Modelle, multiple Regression, kanonische Korrelation
• Klassifizierung in Gruppen: kanonische, lineare und quadratische Diskriminanzanalyse sowie Clusteranalyse
• Variablenreduktion und Extraktion bedeutender Faktoren, Hauptkomponenten- und Faktorenanalyse
• PLS (partial least squares) und Erstellen und validieren von Kalibrationsmodellen
• Strukturgleichungsmodelle, Pfaddiagramme und Modellstruktur, Strukturgleichungsmodelle mit latenten Variablen und mit wiederholten Messungen

Voraussetzungen:

Kenntnisse der Regression oder Varianzanalyse sind vorteilhaft.