Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
|
teaching:wt23:proseminar [2022/10/26 01:14] ipa [Einführung in die Bayes-Statistik (Proseminar/Seminar)] |
teaching:wt23:proseminar [2022/10/29 17:34] (current) ipa [Einführung in die Bayes-Statistik (Proseminar/Seminar)] |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| - | ======== Einführung in die Bayes-Statistik (Proseminar/Seminar) ======== | + | ======== Einführung in die Bayessche Statistik (Proseminar/Seminar) ======== |
| Bayessche Methoden nutzen vorgegebene Information oder Annahmen zur Parameterchätzung und Bewertung von Hypothesen. Sie unterscheiden sich von //klassischen Methoden//, bei denen Schlüsse nur aus der Stichprobe auf Eigenschaften der Gesamtheit gezogen werden. Sie beinhalten //subjektive// Wahrscheinlichkeiten, die aus der mathematischen Perspektive exakt interpretierbar sind. | Bayessche Methoden nutzen vorgegebene Information oder Annahmen zur Parameterchätzung und Bewertung von Hypothesen. Sie unterscheiden sich von //klassischen Methoden//, bei denen Schlüsse nur aus der Stichprobe auf Eigenschaften der Gesamtheit gezogen werden. Sie beinhalten //subjektive// Wahrscheinlichkeiten, die aus der mathematischen Perspektive exakt interpretierbar sind. | ||
| - | Die Bayesian Analysis behandelt Parameter als Zufallsvariablen, welchen 'apriori' Wahrscheinlichkeiten bzgl. einem Modell zugeordnet werden. Mit Hilfe von dem Bayes Theorem erlaubt diese Sichtweise eine systematische Anpassung dieser Warscheinlichkeiten und bringt Vorteile für Ansätze zur Daten Analyse sowie Verbesserung von statistischer Modellierung. Darüber hinaus vereinfacht dies die Untersuchung von Unsicherheiten in dem zugrundeliegenden Model und dessen Parameter. | + | Die Bayessche Analysis behandelt Parameter als Zufallsvariablen, welchen //apriori// Wahrscheinlichkeiten bzgl. einem Modell zugeordnet werden. Mit Hilfe des Bayesschen Theorems erlaubt diese Sichtweise eine systematische Anpassung dieser Wahrscheinlichkeiten und bringt Vorteile für Ansätze zur Datenanalyse und für die statistische Modellierung. Darüber hinaus vereinfacht dies die Untersuchung von Unsicherheiten in dem zugrundeliegenden Model und dessen Parameter. |
| In diesem Proseminar/Seminar werden wir die Grundprizipien der Bayesian-Statistik behaldeln. | In diesem Proseminar/Seminar werden wir die Grundprizipien der Bayesian-Statistik behaldeln. | ||
| - | ===== Modalitäten: ===== | + | ==== Modalitäten: ==== |
| === Präsentation: === | === Präsentation: === | ||
| * **Dauer des Vortrags:** 60 Minuten (+15 Minuten Fragen & Diskussion). Tafel ist bevorzugt. | * **Dauer des Vortrags:** 60 Minuten (+15 Minuten Fragen & Diskussion). Tafel ist bevorzugt. | ||
| Line 13: | Line 14: | ||
| Eine Woche vor der Präsentation ist eine Vorbesprechung erwünscht. Termin muss in voraus vereinbart werden. | Eine Woche vor der Präsentation ist eine Vorbesprechung erwünscht. Termin muss in voraus vereinbart werden. | ||
| - | ===== Vorkenntnisse: ===== | + | ==== Vorkenntnisse: ==== |
| Grundwissen in der Analysis, Lineare Algebra & Wahrscheinlichkeitstheorie. | Grundwissen in der Analysis, Lineare Algebra & Wahrscheinlichkeitstheorie. | ||
| - | ===== Ort & Zeit: ===== | + | ==== Ort & Zeit: ==== |
| Jeden Donnerstag um 14.15 Uhr im Mathematikon EG. SR 0.200. | Jeden Donnerstag um 14.15 Uhr im Mathematikon EG. SR 0.200. | ||
| - | ===== Anmeldung: ===== | + | ==== Anmeldung: ==== |
| Via [[https://muesli.mathi.uni-heidelberg.de/|Müsli]]. Sonstige Fragen bei daniel.gonzalez (at) iwr.uni (minus) heidelberg.de | Via [[https://muesli.mathi.uni-heidelberg.de/|Müsli]]. Sonstige Fragen bei daniel.gonzalez (at) iwr.uni (minus) heidelberg.de | ||
| - | ===== Beginn: ===== | + | ==== Beginn: ==== |
| 03.11.2022: Vorbesprechung und Themenvorgabe. | 03.11.2022: Vorbesprechung und Themenvorgabe. | ||