Skripte und Codes:

Folgende Vorlesungs-Skripte und Codes stehen frei zum Download bereit:

  • Folien für den ersten Teil der Vorlesung „Anwendungen mit SAS. Direkt aus der Praxis!“ gehalten von Denise als Lehrbeauftragte an der Hochschule Koblenz im Fachbereich Mathematik. Im ersten Teil wird insbesondere über die Simulation von Zufallsvariablen gesprochen. Dieser Teil der Vorlesung basiert zum größten Teil auf das Buch Introductory Statistics and Random Phenomena. Manfred Denker et al. Birkhaeuser Boston (1998). Download: Simulation.pdf. 
  • Folien für den zweiten Teil der Vorlesung „Anwendungen mit SAS. Direkt aus der Praxis!“ gehalten von Denise als Lehrbeauftragte an der Hochschule Koblenz im Fachbereich Mathematik. In diesem Teil werden multivariate Statistik-Verfahren präsentiert und den Zusammenhang mit dem Begriff Data Mining erstellt. Es werden in diesem Teil sogenannte unsupervised Verfahren, i.e. Methoden für die Clusteranalyse und Hauptkomponentenanalyse dargestellt. Download: Unsupervised.pdf.
  • Folien für den dritten Teil der Vorlesung „Anwendungen mit SAS. Direkt aus der Praxis!“ gehalten von Denise als Lehrbeauftragte an der Hochschule Koblenz im Fachbereich Mathematik. In diesem Teil werden multivariate Statistik-Verfahren präsentiert und den Zusammenhang mit dem Begriff Data Mining erstellt. Es werden in diesem Teil sogenannte supervised Verfahren, insbesondere die Logistische Regression dargestellt. Download: Supervised.pdf.
  • SAS Code-Beispiels aus der Vorlesung Überlebenszeitanalyse mit SAS gehalten von Denise als Lehrbeauftragte an der Hochschule Koblenz im Fachbereich Mathematik (auf Anfrage).
  • R Code-Beispiel aus der Vorlesung Statistik I gehalten von Denise als Lehrbeauftragte an der Hochschule Koblenz im Fachbereich Mathematik. R Code für einführende Begriffe: r_basics.pdf
  • R Codes für manche Tabellen aus dem Buch Statistical Procedures in Agricultural Research, Kapitel 2:
    • #Table 2.1
      library(reshape2)
      temp<- read.table("Table2.1.txt")
      names(temp) <- c("Treatment", "Rep1", "Rep2", "Rep3", "Rep4")
      workFrame <- melt(temp)
      names(workFrame)<- c("Treatment", "Replication", "Yield")
      linearModel <- lm(Yield ~ Treatment, workFrame)
      an<- anova(linearModel)
      cv <- sqrt(an$`Mean Sq`[2])/mean(workFrame["Yield"][[1]])*100
      print(an)
      print(paste("Coefficient of Variation: ", format(cv, digits=4), "%", sep=""))
    • #Table 2.3
      library(reshape2)
      temp <- read.table("Table2.3.txt", header=TRUE,fill=TRUE)
      Treatment<- paste(temp$Treatment,temp$Rate,temp$Time)
      workingSubset<- data.frame(Treatment,subset(temp, select = c("Rep1", "Rep2", "Rep3", "Rep4")))
      workingSubset<- melt(workingSubset)
      workingSubset<- workingSubset[complete.cases(workingSubset),]
      names(workingSubset)<- c("Treatment", "Replication", "Yield")
      linMod <- lm(Yield~Treatment, workingSubset)
      an<-anova(linMod)
      cv <- sqrt(an$`Mean Sq`[2])/mean(workingSubset["Yield"][[1]])*100
      print(an)
      print(paste("Coefficient of Variation: ", format(cv, digits=4), "%", sep=""))
      
      
  • Denise hat auch ein Buch über Python-Programmierung für Grundschulkinder geschrieben. Das Buch kann auch von Studenten die Python lernen wollen benutzt werden. Mehr Details sind auf der Buch-Webseite verfügbar: www.robozupi.de.