Übersicht interaktiver Lernanwendungen
- Aus dem Projekt MultiLA
- Wie zuverlässig sind Testergebnisse?
- How reliable are the results of a rapid Covid test?
- Diskrete Wahrscheinlichkeitsverteilungen
- Stetige Wahrscheinlichkeitsverteilungen
- Grundlagen der induktiven Statistik
- Parameter estimation
- The Benfords Law
- Log-Normal Distribution
- Goodness-of-fit Test
- Case Study: Nachfrage und Kosten
- Case Study: Budget und Konsum
- Case Study: Bevölkerungswachstum
- Aus
dem Lehrinnovationsprojekt Interaktive Visualisierungen mit R-Shiny
in Statistik und Data Science
- Explore the Effects of Binning in Histograms
- Approximation der Würfelwahrscheinlichkeit
- Confidence interval
- Lineare Regression: Unsicherheit in der Bestimmung der Geraden
- Lineare Regression: Einfluss der Koeffizienten auf den Fehler
- Rotationsverfahren
- Null Hypothesis
- Zentraler Grenzwertsatz
- Zweiseitiger t-Test
- Visualisierung des Korrelationskoeffizienten
- Einkommensverteilung
- Moving Average White Noise
- Simulation Signal + White Noise
- Compare two normal distributions
- Box-Cox-Transformation
- AR(2)-Prozesse: Parameter, Stationarität und Visualisierung
Aus dem Projekt MultiLA
Siehe Projektbeschreibung.
Wie zuverlässig sind Testergebnisse?
Diese Lernanwendung zeigt, wie man mit Hilfe von Bayes’ Theorem die Zuverlässigkeit von Testergebnissen (hier: die Ergebnisse eines Coronatests) einschätzen kann.
How reliable are the results of a rapid Covid test?
Englische Version der “Testgenauigkeit Bayes” Anwendung.
Diskrete Wahrscheinlichkeitsverteilungen
Eine Einführung in diskrete Wahrscheinlichkeitsverteilungen mit Praxisbeispiel und zahlreichen interaktiven Grafiken.
Stetige Wahrscheinlichkeitsverteilungen
Eine Einführung in stetige Wahrscheinlichkeitsverteilungen mit Praxisbeispiel und zahlreichen interaktiven Grafiken.
Grundlagen der induktiven Statistik
Diese Anwendung illustriert das Vorgehen beim Schätzen von Parameter aus einer Stichprobe und addressiert die Relation der Schätzgenauigkeit zum Stichprobenumfang.
Parameter estimation
Diese Anwendung illustriert das Vorgehen beim Schätzen von Parameter aus einer Stichprobe und addressiert die Relation der Schätzgenauigkeit zum Stichprobenumfang (Englishe Version).
The Benfords Law
Diese Anwendung stellt einen Anwendungsfall vom Befordschen Gesetz - einer stetigen Verteilung für Ziffern 0-9 dar. (Englishe Version).
https://rshiny.f4.htw-berlin.de/users/mo/case_study_benfords_law/
Log-Normal Distribution
Diese Anwendung stellt einen Anwendungsfall für die Log-Normale Verteilung dar (Englishe Version).
https://rshiny.f4.htw-berlin.de/users/mo/case_study_log_normal_dist/
Goodness-of-fit Test
Diese Anwendung präsentiert den Goodness-of-fit Test. (Englishe Version).
https://rshiny.f4.htw-berlin.de/users/mo/case_study_goodness-of-fit_test/
Case Study: Nachfrage und Kosten
Diese Anwendung stellt Case Study: Nachfrage und Kosten vor.
https://rshiny.f4.htw-berlin.de/users/mo/case_study_nachfrage_kosten/
Case Study: Budget und Konsum
Diese Anwendung stellt Case Study: Budget und Konsum vor.
https://rshiny.f4.htw-berlin.de/users/mo/case_study_budget_konsum/
Case Study: Bevölkerungswachstum
Diese Anwendung stellt Case Study: Bevölkerungswachstum vor.
https://rshiny.f4.htw-berlin.de/users/mo/case_study_bevoelkerungswachstum/
Aus dem Lehrinnovationsprojekt Interaktive Visualisierungen mit R-Shiny in Statistik und Data Science
Lineare Regression: Unsicherheit in der Bestimmung der Geraden
Lineare Regression: Einfluss der Koeffizienten auf den Fehler
Compare two normal distributions
https://stats-htw-berlin.shinyapps.io/comparing_normal_distributions/
AR(2)-Prozesse: Parameter, Stationarität und Visualisierung
