Schulungen zu MATLAB und Simulink

Statistische Methoden in MATLAB

Kursbeschreibung

In diesem zweitägigen Kurs analysieren Sie Daten mit MATLAB® und der Statistics and Machine Learning Toolbox™. Sie beginnen mit dem Einlesen und Organisieren von Daten und führen dann statistische Auswertungen und Simulationen durch.

Themen sind unter anderem:

  • Daten-Management
  • Berechnen statistischer Kennzahlen
  • Visualisieren von Daten
  • Fitten von Verteilungen
  • Hypothesentests
  • Varianzanalyse
  • Regressionsmodelle
  • Reduzieren von Datenmengen
  • Erzeugen von Zufallszahlen und Durchführen von Simulationen

Tag 1 von 2


Datenmanagement

Ziel: Importieren, Organisieren und Aufbereiten von Daten.

  • Datenimport
  • Datentypen
  • Tables
  • Verknüpfen von Daten
  • Kategoriale Daten
  • Umgang mit Datenlücken

Untersuchung der Daten

Ziel: Berechnen statistischer Kenngrößen und Darstellen von Daten.

  • Visualisieren der Daten
  • Lage- und Streuungsmaße
  • Verteilung der Daten
  • Korrelationen
  • Datengruppen

Verteilungen

Ziel: Identifizieren passender parametrischer Verteilungen für vorgegebene Daten, sowie das Fitten von Verteilungen an diese Daten.

  • Wahrscheinlichkeitsverteilungen
  • Parameter einer Verteilung
  • Vergleichen und Anpassen von Verteilungen
  • Nichtparametrisches Fitten

Hypothesentests

Ziel: Überprüfen aufgestellter Hypothesen, wie z.B. Gleichheit zweier Verteilungen.

  • Hypothesentests
  • Tests für normalverteilte Daten
  • Tests für nicht normalverteilte Daten

Tag 2 von 2


Varianzanalyse

Ziel: Überprüfen von Datengruppen auf signifikante Unterschiede der Mittelwerte bzw. Mediane.

  • Multiple Vergleiche
  • Eindimensionale ANOVA (ANalysis Of VAriance = Varianzanalyse)
  • Mehrdimensionale ANOVA
  • Multivariate ANOVA
  • ANOVA für nicht normalverteilte Daten
  • Kategoriale Korrelationen

Regressionsanalyse

Ziel: Fitten linearer und nichtlinearer Modelle an Datenmengen.

  • Lineare Regressionsmodelle
  • Auswerten der Modelle
  • Verfeinern der Modelle
  • Logistische und verallgemeinerte lineare Regression
  • Nichtlineare Regression

Arbeiten mit mehreren Dimensionen

Ziel: Reduzieren der Dimension von Datenmengen

  • Transformieren von Merkmalen
  • Auswählen von Merkmalen

Zufallszahlen und Simulationen

Ziel: Verwenden von Zufallszahlen zur Evaluation der Sensitivität eines Modells. Durchführen von Monte-Carlo-Simulationen.

  • Bootstrapping und Simulation
  • Generieren von Zufallszahlen aus parametrischen und nichtparametrischen Verteilungen
  • Beeinflussen des Zufallszahlenstroms

Stufe: Aufbaukurs

Voraussetzungen:

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 unter https://www.garp.org/cpd

Dauer: 2 Tage

Sprachen: Deutsch, English, Français, 日本語, 한국어