Lösungstatistischer Fragestellungen unter Anwendung eines gebräuchlichenStatistikprogrammes. Die vermittelten statistischen Tests und Vorgehensweisenbeinhalten:
• Wahldes statistischen Verfahrens
• Einflussder Gruppengröße auf die Ergebnisse
• Chiquadrat test
• Regressionund Korrelation mit einer unabhängigen Variablen
• Regressionund Korrelation mit mehreren unabhängigen Variablen
• Varianzanalyse mit eine unabhängigenVariablen
• Varianzanalysemit mehreren unabhängigen Variablen
• Diskriminantenanalyse
• Analyse kategorischer Daten
• Nichtparametrische Statistik
• Überlebensanalysen
Leistungsnachweis:
600 - Angewandte Statistik für Ingenieure<ul><li>600 - Angewandte Statistik für Ingenieure: Klausur schriftlich</li></ul><br>601 - Angewandte Statistik für Ingenieure<ul><li>600 - Angewandte Statistik für Ingenieure: Klausur schriftlich</li><li>801 - Verpflichtende Studienleistung Angewandte Statistik für Ingenieure - Schriftliche Ausarbeitung: schriftliche Ausarbeitung</li></ul><br>m1173-2022 - Applied Statistics<ul><li>p888-2022 - Applied Statistics: Klausur schriftlich</li></ul>
ECTS-Kreditpunkte:
3
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Biomechanik (M-3)
In Stud.IP angemeldete Teilnehmer: 103
Anzahl der Postings im Stud.IP-Forum: 11
Anzahl der Dokumente im Stud.IP-Downloadbereich: 40
Betreute Abschlussarbeiten
laufende
beendete
2021
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.