Durchführung von Simulationsprojekten
|
|
- Krista Becker
- vor 5 Jahren
- Abrufe
Transkript
1 Literatur: Durchführung von Simulationsprojekten J. Banks et al., Discrete Event System Simulation, Prentice Hall, A.M. Law and W.D. Kelton, 1991: Simulation, Modeling and Analysis, McGrawHill, P. Page, Diskrete Simulation, Springer-Verlag, Durchführung von Simulationsprojekten (1) Festlegen der Zielsetzung des Simulationsprojekts Entscheidungskriterien Festlegen der Ergebnisvariablen Bestimmen der Eingriffsmöglichkeiten Modellierung Modellstruktur mit möglichen Modellvariationen Modellierung der Modellparameter Bestimmung geeigneter Zufallsverteilungen Modellverifikation und Modellvalidierung Modellverifikation: Zeigen der Korrektheit des Modells Modellvalidierung Prüfen, dass Realität adäquat abgebildet wurde (durch Vergleich der Simulationsdaten mit realen Daten) *
2 Durchführung von Simulationsprojekten (2) Durchführung von Simulationsexperimenten Simulationsläufe als Zufallsexperimente Transientes Verhalten Steady-State Analyse, d.h. System im eingeschwungenen Zustand statistische Auswertung der Ergebnisdaten Beobachtung von bestimmten Leistungsmerkmalen Bestimmung von statistischen Größen wie Min, Max, Mittelwert, Varianz, Konfidenzintervalle Entscheidungsfindung und Sensitivitätsanalyse Variation von bestimmten Parametern und Beobachtung der Wirkung Variation der Modellstruktur und Steuerung Optimierung Festlegen der möglichen Parametervariationen und einer Zielfunktion gezielte Suche nach Parametervariation, die zu einer optimalen Systemleistung führen Einsatz von heuristischen oder stochastischen Optimierungsverfahren + Diskrete Modellierung Bei der Modellierung unterscheidet man: Modellparameter sind vom realen System vorgegeben müssen durch Beobachtung und Messung bestimmt und modelliert werden sind nicht beeinflussbar durch den Modellierer werden oft als Variablen bestimmter Zufallsverteilungen modelliert Eingriffsmöglichkeiten sind jene Parameter im System, die variiert werden können bestimmen die Systemkonfiguration, die untersucht wird die Schrauben, an denen man drehen kann Ergebnisdaten (Leistungsmerkmale) ergeben sich durch die Simulation und stellen das Ergebnis dar; bei der diskreten Simulation die Leistungsmerkmale sind oft stochastische Variablen müssen statistisch ausgewertet werden Modellierer Eingriffsmöglichkeiten Modell Modellparameter reales System Ergebnisdaten,
3 Diskrete Modellierung (2) Beispiele für die unterschiedlichen Kategorien von Modellvariablen : Modellparameter Verarbeitungszeiten bestimmter Bedienstationen Ausfallzeiten von Maschinen Ankunftsraten von Kunden Geschwindigkeiten von Fahrzeuge oder Personen... Eingriffsmöglichkeiten Menge und Art der eingesetzten Bedienstationen, Maschinen oder Transporter Menge der eingesetzten Werkzeuge und Hilfsmittel Größe der Warteräume und Bufferplätze Reihung in den Warteschlangen Anordnung der Systemkomponenten Gestaltung der Transportwege Varianten in der Ablaufsteuerung... Ergebnisdaten (response variables) Durchsatz an Kunden/Werkstücken Wartezeit der Kunden Länge der Warteschlangen Auslastung der Ressourcen... - Experimentierrahmen und Modell man unterscheidet grundsätzlich Systemmodell: Modell des zu untersuchenden Modells Experimentierrahmen (Experimental Frame): stellt das Experiment am Modell dar zum Experimentierrahmen gehört Lastmodell: stellt den Ankunftsstrom der zu bediendenden/verarbeitenden Entities dar Ergebnisdaten: zu beobachtende Werte im Modell und deren Auswertung Steuerung des Experiments: Anfangsbedingungen und Bedingungen für Ende eines Experiments Anmerkung: Experimentierrahmen und Modell sollten möglichst unabhängig voneinander sein (lässt sich aber oft schwer erreichen) Testen und Vergleich mehrere Modellvarianten unter dem gleichen Experimentierrahmen Simulation und Analyse eines Modells unter unterschiedlichen experimentellen Bedingungen.
4 Lastmodell stellt den Ankunftsstrom der zu bedienenden/verarbeitenden Entities dar Für die Modellierung der Lastmodelle gibt es folgende Möglichkeiten: Trace-Driven Simulation: man verwendet reale Beobachtungen Stochastisches Modell: man charakterisiert Ankunftsstrom mittels Zufallsverteilungen Zufallsverteilung für Zwischenankunftszeiten Zufallsverteilung für Generierung der unterschiedlichen Arten von Entities (mit unterschiedlichen Arbeitsaufträgen) Maximale Last: System wird bei maximaler Last getestet, d.h. es stehen jederzeit Entities zur Verarbeitung bereit / Bestimmung von Zufallsverteilungen für Modellparameter ausgehend von Messungen und Beobachtungen soll eine Zufallsverteilung für einen Modellparameter bestimmt werden Vorgehen Aufstellen eines Histogramms, um die Verteilung der Messwerte sichtbar zu machen Wahl einer Verteilung (z.b. Normalverteilung), die die das Histogramm möglichst annähert Bestimmung der Parameter der Verteilung aus den Messdaten Goodness-of-Fit-Tests, z.b. X 2 -Test 0
5 Zufallsverteilungen für Modellparameter: Vorgehen (1) Histogramm Wahl der Verteilung, z.b. Normalverteilung Parameter der Verteilung bestimmt durch Maßzahlen der Messungen (z.b. Mittelwert und Varianz) 1 Zufallsverteilungen für Modellparameter: Vorgehen (2) Test, ob Messdaten der gewählten Verteilung gehorchen (z.b. X 2 -Test) Hypothese: H 0 : die Beobachtungen gehorchen einer bestimmten Verteilung, H 1 : die Beobachtungen gehorchen nicht dieser Verteilung Bilden des X 2 -Wertes als Quadrate der Abstände von beobachteten und berechneten Werten Χ mit h i = beobachtete Wahrscheinlichkeit und e i ist Wahrscheinlichkeit aus Verteilung Ermittlung des kritischen Wertes c aus Tablle der X 2 -Verteilung mit f Freiheitsgraden und einem bestimmten Wahrscheinlichkeitswertes α, wobei f sich ergibt aus der Anzahl der Klassen der Beobachtungen minus 1 minus Anzahl der freien Parameter der Verteilung (z.b. Normalverteilung 2 freie Parameter) Test der Hypothese nach P Χ 2 2 ( h e ) = i i Ist X 2 -Wert größer als c so muß H 0 verworfen werden e ( > c) = α i i 2 2
6 Terminating versus Steady-State Simulation Zwei grundsätzliche Arten von Simulationsexperimenten: Terminating Simulation (Transientes Systemverhalten ) Es gibt eine definierten Anfang und ein definiertes Ende der Simulationsexperiments Bsp.: In einem Produktionsbetrieb von Beginn bis Ende des Arbeitstages Steady-State Simulation: Es gibt keinen definierten Anfang und kein Ende man ist vielmehr an einem durchschnittlichen Langzeitverhalten interessiert dabei bedeutet Steady-State nicht dass der Zustand stabil ist sondern dass sich die Wahrscheinlichkeiten für das Auftreten von bestimmten Zuständen nicht mehr ändern!!! Steady-State-Simulation sind wesentlich schwieriger wann ist Steady-State erreicht?? Problem der Anlaufphase (welche stört und statistisch nicht signifikant ist) Anlaufphase bei Simulationsexperimenten Simulationsexperimente durchlaufen gewöhnlich verschiedene Phasen Anfangszustand transiente Phase: Größen x stark von Zeit t abhängig stationäre Phase: Größen x nicht von Zeit t abhängig X transient stationär Transiente Phase am Anfang verfälscht statistische Ergebnisse diese solle in der statistischen Auswertung oft nicht berücksichtigt werden Heuristiken zur Bestimmung der transienten Phasen: über einen Zeitraum keine neuen (signifikaten) Minimas und Maximas (Ende der steigenden Phase) über längere Zeit keine größeren Veränderungen von x T *
7 Entscheidungsfindung und Sensitivitätsanalyse Modellierer Eingriffsmöglichkeiten Modell Modellparameter reales System, Simulation und Optimierung Kombination von (stochastischen, heuristischen) Optimierungsverfahren und Simulation Optimierung gibt beeinflußbare Parameter und Zielfunktion vor Simulation liefert die Ergebnisse für eine bestimmte Parametervariation Optimierungsverfahren variiert die Parameter entsprechend der Ergebnisse und initiiert neue Simulationsläufe Ergebnisse und Bewertung Zielfunktion Ergebnisdaten Heuristisches Optimierungsverfahren Parameter einstellungen Simulation -
8 Optimierungsverfahren Methode des gleichförmigen Rasters reine stochastische Suche Simulated Annealing Methode des steilsten Anstieges (Hill- Climbing) Einzelfaktormethode Mutationsmethode (Genetische und Evolutionäre Algorithmen) Neuronale Netze. OptQuest Optimierung in AnyLogic AnyLogic erlaubt Optimierung auf der Basis des Optimierungspaketes OptQuest ( OptQeust erlaubt die Optimierung eines Systems auf der Basis eines Optimierungsverfahrens, welches Tabu Search Neuronale Netzwerke und Scatter Search kombiniert. In AnyLogic wird Optimierung durch Optimization Experiments ermöglicht /
9 OptQuest Optimierung in AnyLogic: Definition von Experimenten Parametervariationen kontinuierliche Parameter: kontinuierlich im Bereich von min bis max diskrete Parameter: mit diskreten Sprüngen aber mit Ordnung Design Parameter: diskrete Werte ohne Ordnung Zielfunktion (Objectives function) beliebiger Ausdruck (insbesondere Methode des Root-Modells), der minimiert oder maximiert werden soll Constraints Einschränkungen an Lösung wird am Ende evaluiert (!) 0 OptQuest Optimierung in AnyLogic: Beispieldefinition 1
10 OptQuest Optimierung in AnyLogic: Einstellungen Optimization Method Präzision für Zielfunktion und kontinuierliche Parametervariationen Endekriterium für Optimierung Simulation Endekriterium für Simulationsexperiment *2 OptQuest Optimierung in AnyLogic: Experiment Anzeige des Verlaufs der Lösungssuche und aktuell bester Lösung *
11 Zusammenfassung Leistungsanalyse von Systemen Experimentieren mit Modellen Zufallsexperimente Inputanalyse Aufstellen von Verteilungen für Modellparameter Modellierung der Systemlast Simulationsexperimente Analyse einer bestimmten Systemvariante statistische Auswertung Steady-State versus Terminating Experimente Optimierung Suche nach optimalem System in einem Raum von möglichen Varianten bei gegebener Zielfunktion **
Stochastische Simulation
Literatur: J. Banks et al., Discrete Event System Simulation, Prentice Hall, 200. A.M. Law and W.D. Kelton, 99: Simulation, Modeling and Analysis, McGrawHill, 99. P. Page, Diskrete Simulation, Springer-Verlag,
MehrOtto-von-Guericke-Universität Magdeburg
ARENA Tutorial -2 Otto-von-Guericke-Universität Magdeburg Thomas Schulze ARENA Tutorial 1. Historisches 2. Basis-Elemente 3. Ergebnisanalyse 4. Modellierung von Transportvorgängen 5. Integration mit anderen
Mehr10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
Mehr7 Scenarios und Optimierung
7 Scenarios und Optimierung 7.1 Process Analyzer (PAN) 7.2 Optimierung mit OptQuest Otto-von-Guericke-Universität Magdeburg Thomas Schulze 1 7.1 Evaluierung mittels Process Analyzer (PAN) Aufgabe Mittels
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 13. Juli 2011 Ziel der Vorlesung Vermittlung von Grundkenntnissen der Statistik, Simulationstechnik und numerischen Methoden (Algorithmen) Aufgabe:
MehrPG 431 Metaheuristiken
PG 431 Metaheuristiken Seminar Optimierung Wie und warum? Dirk Hoppe Überblick Einführung Optimierungsverfahren Anwendungen Der Begriff Optimierung Littger, Optimierung (1992): Unter Optimierung versteht
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrDiskrete Ereignis Simulation. Proseminar: Algorithmen der Verkehrssimulation Jörg Blank
Diskrete Ereignis Simulation Proseminar: Algorithmen der Verkehrssimulation Jörg Blank Definitionen zeitdiskrete Simulation System: Auschnitt der Realität Ereignis: Zustandsänderungen in Systemen Simulation:
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrAnwendung stochastischer und geometrischer Analysen zur systematischen Robustheitsuntersuchung im Strukturcrash
Anwendung stochastischer und geometrischer Analysen zur systematischen Robustheitsuntersuchung im Strukturcrash D. Weigert, Prof. F. Duddeck (TU München); S. Brack, Dr. H. Schluder (AUDI AG) DYNAmore GmbH,
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrStation 1 Das Galtonbrett, Realmodelle
Station 1 Das Galtonbrett, Realmodelle Zeit zur Bearbeitung: 10 Minuten 1.1 Versuch:. Münzwurf mit dem Galtonbrett Betrachtet wird folgendes Zufallsexperiment: Fünf identische Münzen werden zehn-mal geworfen.
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrPermutationstests II.
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Permutationstests II. 1. Zwei-Stichprobentest auf Variabilität 2. Mehrere Stichproben: Vergleich von Mittelwerten 3. Kurzer Exkurs: Präzision von Monte
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrErweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells
Erweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells Sebastian Wildfeuer Parameteridentifikation > 23. September 2008 > Folie 1 Themenübersicht Ausgangssituation,
MehrBewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung
Weimarer Optimierungs- und Stochastiktage 4.0 Bewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung Dr.-Ing. Andreas Plotzitza, PT/EST4 29. November 2007 1 Inhalt
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau. Definitionen und Anwendung
.. Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Definitionen und Anwendung Definition Zeitreihe zeitliche Abfolge von Messwerten, deren Auftreten
MehrDie Stochastischen Eigenschaften von OLS
Die Stochastischen Eigenschaften von OLS Das Bivariate Modell Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Wiederholung
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrStatistik III. Methodologie der Psychologie
Statistik III Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrVergleich von Parametern zweier Stichproben
Vergleich von Parametern zweier Stichproben Vergleich von Mittelwerten bei gebundenen Stichproben Vergleich von Mittelwerten bei unabhängigen Stichproben Vergleich von Varianzen bei unabhängigen Stichproben
MehrMethodenlehre. Vorlesung 6. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 6 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrBevor wir richtig anfangen... 8
Statistik macchiato Inhalt Vorwort Bevor wir richtig anfangen... 8 Beschreibung von Daten Ordnung ist das halbe Leben... 16 Häufigkeitstabellen... 19 Häufigkeitsverteilungen... 19 Mittelwert (arithmetisches
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
MehrStatistische Methoden der Datenanalyse. Übung XI
Albert-Ludwigs-Universität Freiburg Wintersemester 203/204 Statistische Methoden der Datenanalyse Markus Schumacher, Stan Lai, Florian Kiss Übung XI 2..204, 22..204 Anwesenheitsaufgaben Aufgabe 53 Vergleich
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrSystematische Optimierungsverfahren verbessern mit geringem Aufwand Prozesse und Produkte
Systematische Optimierungsverfahren verbessern mit geringem Aufwand Prozesse und Produkte - Eine phänomenologische Darstellung der statistischen Versuchsplanung - Sie kennen das Problem: Ihr komplexer
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrMethodenlehre. Vorlesung 5. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 5 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ 20.2.13 Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrDie statistische Datenanalyse Ein Werkzeug zur Prozessoptimierung auch in der Papierindustrie
Die statistische Datenanalyse Ein Werkzeug zur Prozessoptimierung auch in der Papierindustrie Dipl.-Ing. (FH), MBM Konrad Höglauer Six Sigma Master Black Belt Process Analysis Group Eurasia konrad.hoglauer@albint.com
MehrStatistik I. Methodologie der Psychologie
Statistik I Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
Mehr5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
MehrAnalytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
Mehr10. Statistische Verteilungen
10. Statistische Verteilungen Übung Röntgenpraxis XVI Die Patienten der Röntgenpraxis unterscheiden sich durch unterschiedliche Fitness. Daher benötigen die MTRA unterschiedliche Zeiten, um die Patienten
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrWahrscheinlichkeitstheorie und Statistik
Curriculum Wahrscheinlichkeitstheorie und Statistik Dozent: Dr. D. Adams E-Mail: donat.adams@fhnw.ch Modul : Wahrscheinlichkeitstheorie und Statistik Umfang: 3 ECTS Datum: 19. Februar 018 URL: http://adams-science.com/teaching
MehrEin neuer Weg zur Überwachung mechatronischer Systeme
Ein neuer Weg zur Überwachung mechatronischer Systeme Prof. Dr. Ing. habil. Wilfried J. Elspass Institut für Mechatronische Systeme Zürcher Hochschule für Angewandte Wissenschaften ZHAW wilfried.elspass@zhaw.ch
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
MehrDynamische Optimierung
Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrZusammenfassung Performancegesetze
Zusammenfassung Performancegesetze Utilization Law Forced Flow Law Service Demand Law Little s Law Response Time Law 0 i i X V X Z X M/ A 0 i i i S X U 0 i i i i X / U S V D X A N Leistungsmodelle System-
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/476 c Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrStatistische Methoden der Datenanalyse
Albert-Ludwigs-Universität Freiburg Wintersemester 20/202 Statistische Methoden der Datenanalyse Markus Schumacher Übung X Markus Warsinsky 6..202 Anwesenheitsaufgaben Aufgabe 59 Vergleich von Messungen
Mehr5. Statistische Auswertung
5. Statistische Auswertung 5.1 Varianzanalyse Die Daten der vorliegenden Versuchsreihe zeigen eine links steile, rechts schiefe Verteilung. Es wird untersucht, ob sich die Meßdaten durch Transformation
MehrDer χ2-test Der χ2-test
Der χ 2 -Test Überblick Beim χ 2 -Test handelt es sich um eine Familie ähnlicher Tests, die bei nominal- oder ordinalskalierten Merkmalen mit zwei oder mehr Ausprägungen angewendet werden können. Wir behandeln
MehrStoffverteilungsplan Mathematik Leistungskurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit
Lambacher Schweizer Q3.1 Grundlegende Begriffe der Grundlagen der Wahrscheinlichkeitstheorie: Beschreiben von Zufallsexperimenten (Laplace-Experimente) unter Verwendung der Begriffe Ergebnis, Ergebnismenge,
MehrAnimation vielfältiger Prozeßabläufe mit Hilfe von Petri-Netzen
Animation vielfältiger Prozeßabläufe mit Hilfe von Petri-Netzen Georg Hohmann, Matthias Schleinitz Bauhaus-Universität Weimar, Fakultät Bauingenieurwesen Professur Computergestützte Techniken Coudraystraße
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrFahrzeugfolgemodelle I
Christoph Berkholz Eckart Stets SE Verkehrssimulation und Optimierung, 29.10.2008 Es gibt kein einheitliches Verkehrsmodell. Dafür aber viele Ansätze. Heute: klassische mikroskopische Fahrzeugfolgemodelle,
MehrDer χ 2 -Test. Überblick. Beispiel 1 (χ 2 -Anpassungstest)
Der χ 2 -Test Überblick Beim χ 2 -Test handelt es sich um eine Familie ähnlicher Tests, die bei nominal- oder ordinalskalierten Merkmalen mit zwei oder mehr Ausprägungen angewendet werden können. Wir behandeln
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrModellgestützte Analyse und Optimierung Übungsblatt 8
Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 8 Ausgabe: 25.05.2015, Abgabe: 01.06.2015 (12 Uhr) Aufgabe 8.1: Berechnung
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrZweifache Varianzanalyse
Zweifache Varianzanalyse Man kann mittels VA auch den (gleichzeitigen) Einfluss mehrerer Faktoren (unabhängige Variablen) auf ein bestimmtes Merkmal (abhängige Variable) analysieren. Die Wirkungen werden
Mehr