Statistik für Ingenieure mit R

Details

ID 1252916
Dauer 5.0 Tage
Methoden Vortrag mit Beispielen und Übungen.
Vorwissen Grundlegende Statistikkenntnisse
Zielgruppe Ingenieure, MA der Qualitätssicherung

Ziele

R und RStudio für Statistik nutzen
Beginnen Sie mit der R-Programmierung RStudio
Datensätze beschreiben
Lernen Sie, mit Lage- und Streuungsmaßen Datensätze zu beschreiben
Zusammenhängen aufdecken
Weisen Sie Zusammenhänge zwischen Datenreihen nach
Statistische Modelle entwickeln
Verwenden Sie Regression, um Daten in Modellen zu erklären
Rechnen mit Wahrscheinlichkeiten
Setzen Sie induktive Statistik für Wahrscheinlichkeiten ein
Hypothesen testen und nachweisen
Sehen Sie, wie Sie Hypothesen über die Grundgesamtheit prüfen
Experimente planen und analysieren
Setzen Sie erprobte Verfahren für Testreihen und ihre Analysen ein

Übersicht

Deskriptive und induktive Statistik sind in den Ingenieurswissenschaften bei der Planung und Kontrolle von (Produktions-)Prozessen überaus wichtig. Zentral ist hierbei die Qualitätsüberwachung durch Einsatz statistischer Methoden. Dieser Bereich stellt einen Teil der Einsatzmöglichkeiten statistischer Verfahren in Produktionsbetrieben dar. Die statistische Prozesslenkung (auch statistische Prozessregelung oder statistische Prozesssteuerung, englisch statistical process control, SPC genannt) wird üblicherweise als eine Vorgehensweise zur Optimierung von Produktions- und Serviceprozessen aufgrund statistischer Verfahren verstanden. Dieses einführende Seminar unterstützt Ingenieure und andere Beteiligte in der Verfahrensplanung und -durchführung bei der Analyse von Prozess-/Produktionsdaten sowie dem Aufbau einer statistisch fundierten Qualitätskontrolle und setzt dabei R und RStudio ein.

Termine

Wir überarbeiten gerade unsere Webseite und die Seminare. Neue Termine gibt es erst ab 2025. Wir bieten dieses Seminar weiterhin als Inhouse-Seminar für Sie und Ihr Team an.

Comelio Medien

Noch auf der Suche nach weiterführender Literatur? Entdecken Sie passende Fachbücher in unserem Katalog.

Zum Bücherkatalog

Themen

  • R-Programmierung und RStudio als Statistik-Umgebung
  • Daten beschreiben, darstellen und zusammenfassen
  • Statistische Modelle für Prognosen und Erklärungen mit der linearen Regression aufbauen
  • Wahrscheinlichkeitstheorie verstehen und anwenden
  • Eigenschaften von Daten prüfen und mit Hypothesentests nachweisen
  • Statistische Qualitäts- und Prozesskontrolle nutzen
  • Design und Analyse von Experimenten einsetzen

Beschreibung

Lernen Sie die deskriptive und induktive Statistik mit R kennen, um dann Datenreihen, Prozesse und Experimente zu analysieren sowie Hypothesen aufzustellen und zu untersuchen.

Services

  • Mittagessen / Catering
  • Hilfe bei Hotel / Anreise
  • Comelio-Zertifikat
  • Flexibel: Bis einen Tag vorher kostenlos stornieren
Service-Kaffeekanne

Inhalt

Die Rolle der Statistik in den Ingenieurswissenschaften
Die Ingenieur-Tätigkeit und statistisches Denken - Sammeln von Daten aus Prozessen - Retrospektive Studie - Beobachtungsstudien - Experimente - Zufallsstichproben - Deterministische und empirische Modelle - Prozessbeobachtung im Zeitverlauf
Datenzusammenfassung und Präsentation
Einführung in die Programmierung von R in RStudio - Datenzusammenfassung und Darstellung - Stamm-und-Blatt-Diagramm - Histogramme - Box-Plot - Zeitreihen - Multivariate Daten - Verwenden von R Commander
Zufallsvariablen und Wahrscheinlichkeitsverteilungen
Einführung - Zufallsvariablen - Wahrscheinlichkeit - Kontinuierliche Zufallsvariablen: Wahrscheinlichkeitsdichtefunktion, Verteilungsfunktion, Mittelwert und Varianz - Wichtige Verteilungen: Normalverteilung, Lognormalverteilung, Gamma-Verteilung, Weibull-Verteilung, Beta Distribution - Wahrscheinlichkeitsdiagramme - Diskrete Zufallsvariablen: Wahrscheinlichkeitsmassenfunktion, Verteilungsfunktion, Mittelwert und Varianz - Binomialverteilung - Poisson-Prozess: Poisson-Verteilung, Exponentialverteilung - Annäherung der Normalverteilung an die Binomial-und Poisson-Verteilungen - Mehr als eine Zufallsvariable und Unabhängigkeit: Gemeinsame Verteilung, Unabhängigkeit - Funktionen von Zufallsvariablen: Lineare Funktionen unabhängiger Zufallsvariablen, Lineare und nichtlineare Funktionen von Zufallsvariablen - Zufallsstichproben, Zentraler Grenzwertsatz- Umsetzung in R
Entscheidungsfindung bei einer einzelnen Stichprobe
Statistische Inferenz - Punktschätzung - Testen von Hypothesen: Statistische Hypothesen, Test von statistischen Hypothesen, P-Werte in Hypothesentests, einseitige und zweiseitige Hypothesen, allgemeines Verfahren zum Testen von Hypothesen - Inferenz für den Mittelwert einer Grundgesamtheit bei bekannter Varianz - Inferenz für den Mittelwert einer Grundgesamtheit bei unbekannter Varianz - Inferenz für die Varianz einer Normalverteilung - Inferenz für einen Anteil - Intervallschätzungen für eine einzige Probe - Test für Anpassungsgüte - Umsetzung in R
Entscheidungsfindung bei zwei Stichproben
Einführung - Inferenz für den Mittelwert zweier Grundgesamtheiten bei (un)bekannten Varianzen - Der t-Test - Inferenz für das Verhältnis der Abweichungen von zwei Normalenverteilungen - Inferenz für zwei Anteile - Vollständig randomisierte Experimente und die Varianzanalyse (ANOVA) - Blockbildung- Umsetzung in R
Empirische Modelle ableiten
Einführung in empirische Modelle - Einfache lineare Regression: Kleinste-Quadrate-Schätzung, Überprüfung von Hypothesen bei einfacher linearer Regression, Konfidenzintervalle bei der einfachen linearen Regression, Vorhersage von Beobachtungen, Modellüberprüfung, Korrelation und Regression - Multiple Regression: Schätzung der Parameter bei multipler Regression, Rückschlüsse bei multipler Regression, Modellüberprüfung - Polynome in der Modellbildung - Kategoriale Regressoren - Techniken der Variablenselektion- Umsetzung in R
Experimente und ihre Analyse (DOE)
Die Strategie des Experimentierens - Faktorielle Experimente - 2k faktorielle Experiemente: 2² Design und seine statistische Analyse, Fehleranalyse und Modellprüfung, 2k-Design für k3 Faktoren, Einmal-Replikat eines 2k-Designs - Mittelpunkte und Blockbildung in 2k-Designs: Zentralpunkte, Blockbildung und Confounding - Fraktionelle Replikation von einem 2k-Design: Halbes 2k-Design, 2kp teilfaktorielle Modelle - Umsetzung in R
Statistische Prozesskontrolle
Qualitätsverbesserung und Statistische Prozesskontrolle - Einführung in Regelkarten: Grundlagen, Entwurf einer Regelkarte, Untergruppen, Analyse der Muster auf Regelkarten - R-Regelkarte - Regelkarten für Einzelmessungen - Prozessfähigkeit - Attributregelkarten: P- und nP-Diagramm, U-Diagramm und C-Diagramm

Dozent/in

Unser Trainer für statistische Analyse und die Themen Design Of Experiments (DOE) und Statistische Qualitätskontrolle / Statistical Process Control (SPC) mit Minitab Marco Skulschus studierte in Wuppertal und Paris Ökonomie und arbeitet schon seit mehr als 10 Jahren als Dozent, Fachbuch-Autor zum Thema Datenbanken, Datenanalyse und als Berater für DOE / SPC mit Minitab. Teilnehmer/innen seiner Minitab-Seminare sind vor allen Dingen Ingenieure und Naturwissenschaflter, aber auch Betriebswirte und Doktoranden, die für Statistik und SPC / DOE Minitab einsetzen wollen.

Veröffentlichungen

  • Grundlagen empirische Sozialforschung (Comelio Medien)
    978-3-939701-23-1
  • System und Systematik von Fragebögen (Comelio Medien)
    978-3-939701-26-2
  • Oracle SQL (Comelio Medien)
    978-3-939701-41-5
  • SQL Server 2012: Data Mining und multivariate Verfahren (Comelio Medien)
    978-3-939701-85-9
  • SQL und relationale Datenbanken (Comelio Medien)
    978-3-939701-52-1

Forschung

nAls Berater konzipiert Herr Skulschus Analyseprozesse für DOE / SPC auf Basis von relationalen Datenbanken und Minitab. Zu seinen Kunden zählen Produktionsunternehmen sowie Abteilungen für die Qualitätssicherung und Prozessoptimierung oder Forschung und Entwicklung.