Druckansicht der Internetadresse:

Servicestelle WiN-UBT - WiN Academy und University of Bayreuth Graduate School

Seite drucken

Termine

Calendar icon Kalenderdatei (Für ältere Kalender klicken Sie bitte hier)
zur Übersicht

R-Workshop

18.-19. Juli 2019
GW I, U.17.1

Uhrzeit: 9.00-17.00 Uhr / 9.00-13.00 Uhr

Trainer: Dr. habil Robert Hable
Sprache: Deutsch
Anmeldung: bis 04. Juli 2019
für Mitglieder der University of Bayreuth Graduate School: https://baydoc.uni-bayreuth.de
für PostDocs und Habilitierende über das  WiN-UBT Portal

  • Einführung in die R-Oberfläche
  • Daten aus Excel importieren und Datenverwaltung
  • Deskriptive Statistik: Mittelwert, Median, Quantil, Standardabweichungen, Korrelationen (Pearson, Spearman), Punktewolken (und Grafikoptionen), Boxplots, Histogramme, Balkendiagramme
  • R-Skripte, R-Pakete, R-Hilfe und Literatur
  • Mittelwerte und Vergleiche: Konfidenzintervalle, die gängigsten Tests für Vergleiche (t-Test, Mann-Whitney/Wilcoxon, Kruskal-Wallis, ...)
  • Überprüfen von Voraussetzungen: Tests auf Normalverteilung, QQ-Plots, Gleichheit der Varianzen (Levene)
  • Hauptkomponentenanalyse
  • Lineare Regression und Varianzanalyse: Einführung in lineare Regression mit R, ANOVA, MANOVA, Post-Hoc-Test, generalisierte lineare Regression (logistisch, probit)
  • Repeated Measurements (Longitudinale Studien)

Um einen möglichst reibungslosen Einstieg in R zu gewährleisten, werden bereits im Vorfeld kurze einführende Unterlagen an die Teilnehmer verteilt. Durch diese kleine Vorbereitung wird es leichter, dem Kompaktkurs zu folgen.

Der Kurs beinhaltet auch praktische Übungen, in denen die Teilnehmer selber am Computer statistische Auswertungen in R durchführen.

Qualifikationsziele
Behandelte statistische Verfahren selbstständig in R anwenden zu können.

Teilnahmevoraussetzungen

  • Mindestvoraussetzung: Vertrautheit mit statistischen Grundbegriffen, insbesondere Mittelwert, Standardabweichung, Median, Quantil, Konfidenzintervall, Prinzip des Hypothesentestens, p-Wert, Signifikanz
  • Optimale Voraussetzung: Grundsätzliche Kenntnis der (meisten) im Kurs behandelten statistischen Verfahren (Hauptfokus des Kurses sind die Auswertungen in R und nicht die statistischen Inhalte)

Trainer

  • Studium Diplom Mathematik (2001-2006)
  • Promotion am Institut für Statistik der LMU München (2006-2009)
  • Akademischer Rat a. Zt. an der Universität Bayreuth (2009-2014)
  • Habilitation über statistische maschinelle Lernverfahren an der Universität Bayreuth (2012)
  • Associate Editor der Zeitschrift Statistics & Probability Letters
  • Autor zahlreicher Statistik-Fachartikel
  • Seit 2014: Leiter „Data Analysis & Big Data“ am Technologie Campus Grafenau der TH Deggendorf; selbstständiger statistischer Berater

Verantwortlich für die Redaktion: Eva Querengässer

Facebook Twitter Youtube-Kanal Instagram LinkedIn UBT-A