Statistische Methoden in MATLAB

Kursbeschreibung

In diesem Kurs analysieren Sie statistische Daten mit MATLAB^® und der Statistics and Machine Learning Toolbox™. Anhand von Beispielen und Übungen verwenden Sie jeweils geeignete Funktionalitäten in MATLAB und der Statistics and Machine Learning Toolbox im Analyseprozess: vom Importieren und Organisieren von Daten über die explorative Analyse bis hin zur konfirmatorischen Analyse (Hypothesentests) und zur Simulation. Themen sind unter anderem:

Datenverwaltung
Berechnen statistischer Kennzahlen
Visualisieren von Daten
Anpassen von Verteilungen
Ausführen von Signifikanztests
Ausführen von Varianzanalysen
Anpassen von Regressionsmodellen
Reduzieren von Datensätzen
Generieren von Zufallszahlen und Ausführen von Simulationen

Dieser Kurs ist von GARP mit 14 CPD credit hours anerkannt. Wenn Sie als FRM oder ERP zertifiziert sind, dann können Sie den Kursbesuch erfassen.

Tag 1 von 2

Datenimport und -organisation

Ziel: Laden und Organisieren von Daten in MATLAB für die Analyse. Zusammenführen von Daten und Umgang mit Datenlücken.

Importieren von Daten
Datentypen
Tabellarische Daten (Tables)
Zusammenführen von Daten
Kategoriale Daten
Umgang mit Datenlücken

Untersuchung der Daten

Ziel: Ausführen einer grundlegenden statistischen Untersuchung eines Datensatzes, einschließlich Visualisierung und Berechnung statistischer Kennzahlen.

Visualisierung von Daten
Berechnen von Parametern wie Lage, Streuung und Form
Bestimmen von Korrelationskoeffizienten
Ausführen von Berechnungen auf gruppierten Daten

Verteilungen

Ziel: Untersuchen verschiedener Wahrscheinlichkeitsverteilungen und Anpassen (Fitten) der Verteilungen an einen Datensatz. Verwenden von Zufallszahlen zur Bewertung der Unsicherheit oder Sensibilität eines Modells oder Ausführen von Simulationen. Erzeugen von Zufallszahlen aus verschiedenen Verteilungen und Steuern der Zufallszahlenalgorithmen in MATLAB.

Wahrscheinlichkeitsverteilungen und ihre Parameter
Vergleichen und Anpassen von Verteilungen
Nichtparametrische Verteilungsanpassung
Bootstrapping und Simulation
Erzeugen von Zahlen aus beliebigen Verteilungen
Steuern des Zufallszahlenstroms

Tag 2 von 2

Hypothesentests

Ziel: Bestimmen, ob ein Datensatz eine Hypothese über der Grundgesamtheit hinreichend stützt. Anwenden von Hypothesentests für häufige Anwendungsfälle, z. B. Vergleichen der Lage-und Streuungsparameter zweier Verteilungen.

Konfirmatorische Datenanalyse
Hypothesentests für normalverteilte Daten
Hypothesentests für nicht normalverteilte Daten

Varianzanalyse

Ziel: Vergleichen der Mittelwerte mehrerer Datengruppen und Auffinden statistisch signifikanter Unterschiede.

Durchführen von Varianzanalyse (ANOVA)
Paarweises Vergleichen mehrerer Gruppen
Mehrdimensionale ANOVA und Multivariate Varianzanalyse (MANOVA)
ANOVA für nicht normalverteilte Daten
Testen auf Unabhängigkeit für kategoriale Daten

Regressionsanalyse

Ziel: Erstellen von Vorhersagemodellen durch Anpassen linearer und nichtlinearer Modelle an einen Datensatz. Erkunden von Techniken zum Verbessern der Modellgüte. Vereinfachen hochdimensionaler Datensätze durch Dimensionsreduktion.