 |
| Detailinformationen |
| Quellcurriculum |
Masterstudium Maschinenbau 2025W |
| Lernergebnisse |
Kompetenzen |
| Die Studierenden können grundlegende Wahrscheinlichkeitsberechnungen durchführen sowie einfache inferenzstatistische Verfahren wie Ein- und Zweistichprobentests, lineare Regression oder Varianzanalysen für praktische Probleme anwenden. Die Studierenden sind vertraut mit den Prinzipien der statistischen Versuchsplanung, können einfache Versuchspläne erstellen und die Ergebnisse der Experimente angemessen analysieren.
|
|
| Fertigkeiten |
Kenntnisse |
- Befähigung zum Lösen grundlegender Probleme der Wahrscheinlichkeitsrechnung, insbesondere Anwendungen im Zusammenhang mit der geometrischen, Binomial- und Normalverteilung sowie mit Poissonprozessen (k3)
- Erstellen von angemessenen deskriptiven Zusammenfassungen von Datensammlungen in der Form von geeigneten Verteilungskennzahlen, Tabellen und Grafiken und Interpretation der Ergebnisse (k3, k4)
- Erstellen von Konfidenzintervallen und Durchführung von Hypothesentests für Ein- und Zweistichprobenprobleme und Auswahl der geeigneten Methode (k3, k4)
- Anpassung einfacher linearer Regressionsmodelle, Interpretation der Ergebnisse und Beurteilung der Modellgüte (k3, k4, k5)
- Erzeugen einfacher faktorieller und teilfaktorieller Versuchspläne sowie Verständnis von deren Einsatzgebieten und Anwendungsgrenzen (k2, k3)
- Durchführung statistischer Analysen experimentell gewonnener Daten mittels Verfahren der Varianzanalyse für einen oder mehrere Faktoren (k3, k4, k5)
- Anwendung der Software Minitab zur Lösung der in der Lehrveranstaltung besprochenen statistischen Aufgaben (k3)
|
- Grundlegende Axiome und Rechenregeln der Wahrscheinlichkeitsrechnung
- Wahrscheinlichkeitsfunktionen, Momente und Anwendungsgebiete grundlegender diskreter Wahrscheinlichkeitsverteilungen wie Binomial-, geometrischer und Poissonverteilung
- Dichtefunktion, Momente und Anwendungsgebiete grundlegender stetiger Wahrscheinlichkeitsverteilungen wie Normal- und Exponentialverteilung
- Wichtige Lage- und Streuungskennzahlen zur Zusammenfassung deskriptiver Daten
- Wichtige grafische Darstellungsarten von Daten wie Histogramme, Boxplots, Streudiagramme und Wahrscheinlichkeitsnetze
- Konfidenzintervalle und Einstichproben-t-Tests für Mittelwerte
- Zweistichproben-t-Tests für die Differenz von Mittelwerten
- Modellanpassung, Analyse und Beurteilung der Modellgüte für einfache lineare Regression
- Modellanpassung, Analyse und Beurteilung der Modellgüte für Varianzanalyse mit einem oder mehreren Faktoren
- Erstellung von voll- und teilfaktoriellen Versuchsplänen, Analyse der Effekte für auf Basis dieser Versuchspläne gewonnene Daten und Kenntnis der Vermengungsbeziehungen zwischen den Effekten für teilfaktorielle Experimente
- Wichtige Datenanalyse- und Statistikfunktionalitäten der Software Minitab
|
|
| Beurteilungskriterien |
Klausur, Anzahl der bearbeiteten Hausübungsbeispiele
|
| Lehrmethoden |
Folien- bzw. Tafelvortrag, Besprechung von Hausübungsbeispielen
|
| Abhaltungssprache |
Deutsch |
| Literatur |
- Montgomery, D. C. & Runger, G. C. (2018): Applied Statistics and Probability for Engineers, 7th Edition. Wiley, Hoboken
|
| Lehrinhalte wechselnd? |
Nein |
|
