Die Software JMP, sprich "jump", ist ein Allrounder auf dem Gebiet der Statistik mit einem hervorragenden Preis-Leistungs-Verhältnis. Es ist schnell gelernt und leicht nutzbar, auch wenn Sie kein Statistiker oder Programmierer sind. Egal ob Sie gut ausgebildeter technischer Anwender sind oder noch keine Erfahrung im Umgang mit statistischer Software haben - JMP ist intuitiv, flexibel und interaktiv mit einer kurzen Lernkurve.

Besonders hilfreich für Einsteiger ist, dass jedes statistische Verfahren (vom einfachen t-Test bzw. zur komplexen Lebensdaueranalyse) mit einer graphischen Darstellung gekoppelt ist. Damit ist es für neue Anwender möglich die Zusammenhänge, schnell zu verstehen. Für fortgeschrittene Anwender bietet JMP viele Möglichkeiten sowohl im Bereich der Statistik (GLM, Neuronale Netze, DoE, Multivariate Verfahren, Prozessfähigkeit,...) als auch im Bereich der Programmierung mit der Script-Sprache JSL, die Automatisierungen sehr leicht macht.


Dieser eintägige Kurs behandelt die Themen Zuverlässigkeits- und Lebensdaueranalyse. Sie erhalten eine Einführung in grundlegende Konzepte der Wahrscheinlichkeitsrechnung und statistischen Methodik jeweils mit Bezug zu den Themen Unzuverlässigkeit, Zuverlässigkeit, bedingte Ausfallrate und Zensierung.

Darüber hinaus werden die drei wichtigsten Vorgehensweisen der Zuverlässigkeits- und Lebensdaueranalyse vorgestellt: die Kaplan-Meier-Methode, das parametrische Modell und das proportionale Hazard-Modell. Die Konzepte werden anhand von Beispielen für Zuverlässigkeitsanalysen veranschaulicht.

Inhalt:

  • Einführung in die Zuverlässigkeitsanalyse
  • Nichtparametrische Zuverlässigkeitsanalyse
  • Parametrische Zuverlässigkeitsanalyse
  • Mit parametrischen Methoden die Zuverlässigkeit schätzen

Voraussetzungen:

Teilnehmer sollten bereits ein grundlegendes Verständnis vom Arbeiten mit JMP haben. Dieses wird zum Beispiel im Kurs Explorative Datenanalyse mit JMP vermittelt.



In diesem 2-tages Kurs lernen sie die klassischen Methoden der Versuchsplanung kennen. In der statistischen Versuchsplanung versucht man, durch eine geplante Serie von Einzelexperimenten möglichst effizient, d.h. mit wenigen Versuchen, experimentelle Fragestellungen zu beantworten.

In diesem Kurs erlernen Sie die grundlegenden Techniken für die Planung und anschließende Analyse der Versuche. Zunächst stehen vollfaktorielle und teilfaktorielle Versuche im Vordergrund, mit denen es gelingt, die wenigen wichtigen Faktoren zu extrahieren (Screening - Pläne).

Anschließend werden die Faktoren in so genannten Response - Surface - Plänen optimiert, so dass die Wirkungsfläche analysiert und visualisiert werden kann. Sowohl die klassische Versuchsplanung als auch neuere, benutzerdefinierte Ansätze werden abgedeckt.

Inhalte:

  • Die Grundidee der statistischen Versuchsplanung umsetzen können
  • Randomisierung, Wiederholung und Blockbildung richtig einsetzen
  • Multiple faktorielle Versuchspläne und teilfaktorielle Screening Pläne erstellen und analysieren
  • Screening-Designs zur Bestimmung der wenigen wichtigen Faktoren aufstellen
  • Response Surface - Pläne zur Optimierung und Darstellung der Wirkungsfläche verwenden
  • Benutzerdefinierte Versuchspläne richtig einsetzen

Voraussetzungen:

Teilnehmer sollten vertraut mit der Bedienung von JMP sein, sowie ein grundlegenden Verständnis von statistischen Hypothesentests, ANOVA und Regression haben. Die notwendigen Inhalte können Sie in den Kursen Explorative Datenanalyse mit JMP sowie ANOVA und Regression mit JMP erlernen.


In diesem zweitägigem Kurs werden die zwei wichtigsten Methoden der Datenanalyse vorgestellt: Varianzanalyse und Regression.

Zu Beginn behandeln wir die Grundlagen der deskriptiven Statistik, sowie explorative Datenanalyse und statistische Hypothesentests. Dann werden Methoden zum Mittelwertvergleich vorgestellt, vom einfachen t-Test über die einfaktorielle bis zur mehrfaktoriellen Varianzanalyse (ANOVA). Den zweiten Schwerpunkt bilden die Regressionsmethoden. Wir gehen auf die einfache lineare Regression, die nichtlineare Regression sowie die multiple Regression und ihre Diagnose ein. Nach dem Besuch dieses Kurses sind Sie in der Lage, Daten mit einer stetigen Zielgröße zu analysieren.

Inhalte:

  • Explorative Datenanalyse betreiben
  • Hypothesentests aufstellen und verstehen
  • Einfache, paarweise oder unabhängige t-Tests durchführen
  • Einfaktorielle und mehrfaktorielle Varianzanalysen interpretieren
  • Einfache und multiple Regressionsanalysen generieren und ihre Voraussetzungen überprüfen

Voraussetzungen:

Es wird ein grundlegendes Verständnis vom Arbeiten mit JMP erwartet. Die notwendigen Kenntnisse können Sie zum Beispiel im Kurs Explorative Datenanalyse mit JMP erworben werden.


In diesem eintägigem Kurs lernen Sie kontinuierliche Prozesszyklen zu erkennen und zu modellieren. Themen sind "Autoregressive Integrated Moving Average" -Prozesse (ARIMA), jahreszeitabhängige und -unabhängige Modelle, die Spektralanalyse und multiple Regressionsmodelle, bei denen Sinus und Cosinus-Funktionen oder kategoriale Dummy-Variablen verwendet werden.

Der Kurs beschäftigt sich schwerpunktmäßig mit dem Erkennen der Größenordnung und Dauer von Prozesszyklen und dem Einsatz verschiedener Methoden für das Modellieren von Zyklen.

Inhalte:

  • Grundlagen der stationären Zeitreihenanalyse
  • Serielle Abhängigkeiten einschätzen und berechne
  • ARIMA-Modelle
  • Nicht stationäre Modelle untersuchen
  • Prognosen entwickeln und grafisch darstellen
  • Modellieren von Zyklen mit Regressionsmodellen
  • Spektralanalyse
  • Zyklen mit Sinus- und Cosinus-Funktionen modellieren
  • Zyklen mit Dummy-Variablen modellieren
  • ARIMA Modelle mit Saisonkomponenten

Voraussetzungen:

Teilnehmer sollten mit der grundlegenden Bedienung von JMP vertraut sein (Explorative Datenanalyse mit JMP). Kenntnisse im Rahmen der Regressionsanalyse (ANOVA und Regression mit JMP) sind hilfreich, aber nicht notwendig.


In diesem eintägigem Kurs lernen Sie kontinuierliche Prozesszyklen zu erkennen und zu modellieren. Themen sind "Autoregressive Integrated Moving Average" -Prozesse (ARIMA), jahreszeitabhängige und -unabhängige Modelle, die Spektralanalyse und multiple Regressionsmodelle, bei denen Sinus und Cosinus-Funktionen oder kategoriale Dummy-Variablen verwendet werden.

Der Kurs beschäftigt sich schwerpunktmäßig mit dem Erkennen der Größenordnung und Dauer von Prozesszyklen und dem Einsatz verschiedener Methoden für das Modellieren von Zyklen.

Inhalte:

  • Grundlagen der stationären Zeitreihenanalyse
  • Serielle Abhängigkeiten einschätzen und berechne
  • ARIMA-Modelle
  • Nicht stationäre Modelle untersuchen
  • Prognosen entwickeln und grafisch darstellen
  • Modellieren von Zyklen mit Regressionsmodellen
  • Spektralanalyse
  • Zyklen mit Sinus- und Cosinus-Funktionen modellieren
  • Zyklen mit Dummy-Variablen modellieren
  • ARIMA Modelle mit Saisonkomponenten

Voraussetzungen:

Teilnehmer sollten mit der grundlegenden Bedienung von JMP vertraut sein (Explorative Datenanalyse mit JMP). Kenntnisse im Rahmen der Regressionsanalyse (ANOVA und Regression mit JMP) sind hilfreich, aber nicht notwendig.


Diese zweitägige Schulung konzentriert sich auf die Verwendung der JMP Skriptsprache JSL, um Routineprozeduren zu automatisieren, neue Prozeduren zu erstellen, zu erweitern und Berichte anzupassen.

Sie erhalten eine Einführung in JSL und lernen die grundlegenden Werkzeuge kennen, um die Funktionalität von JMP an Ihr Unternehmen oder Ihr Forschungsgebiet anzupassen.

Inhalte:

  • Skripting-Konzepte
    • Einführung in den objektorientierten Ansatz
    • Skripte im Table Panel speichern
  • JSL Building Blocks
    • Operatoren, Zahlen und Namen, Listen und Ausdrücke
    • Einführung in einen visuellen JSL Style (Lesen, Interpretieren und Verstehen von JSL)
  • Funktionen: For, For Each Row, If, Match und Choose
  • Skripte für Datentabellen, neue Tabellen und Spalten, Spalteneigenschaften, Skripte für Plattformen, Plattformebenen (Analyse und Bericht) und benutzerdefinierte Fenster
  • Dialog- und Listenfelder, Datenstrukturen, Auswertungen und Ergebnisse
  • Packaging-Skripte, generische Argumente

Voraussetzungen:

Teilnehmer sollten bereits Erfahrung, wie zum Beispiel im Rahmen des Kurses Explorative Datenanalyse mit JMP,  mit JMP gesammelt haben. Programmiererfahrung ist hilfreich aber nicht notwendig.


Diese 2-Tages-Schulung verschafft Ihnen einen Überblick über die Methoden der sogenannten Modernen oder auch Optimalen Versuchsplanung.

In diesem Kurs werden die grundlegenden Konzepte der statistischen Versuchsplanung und des sequentiellen Experimentierens durch optimale Versuchspläne (Custom Designs) vermittelt. Sie lernen anhand interaktiver Demonstrationen und praktischer Übungen: Sie planen Experimente mit Hilfe des JMP "Custom Design", führen die geplanten Versuche mit einem realistischen Prozesssimulator durch und werten die simulierten Experimente mit JMP aus. Grundlegendes Prozessverhalten und Einflüsse von Parametern werden an verschiedenen Fallstudien erarbeitet.

Inhalte:

  • Einfaktorielle Versuchspläne mit kategorialen und kontinuierlichen Faktoren
  • Unterschiedliche Abstände zwischen Faktorstufen
  • Bewertung von Versuchsplänen anhand des erwarteten Vorhersagefehlers
  • Optimalitätskriterien
  • Experimente mit zwei Faktoren, Wechselwirkungen und Blockeffekten
  • Split-Plot Designs

Voraussetzungen:

Teilnehmer sollten mit der Bedienung von JMP, statistischen Hypothesentests, ANOVA und Regression vertraut sein. Diese Inhalte werden von den Kursen Explorative Datenanalyse mit JMP und ANOVA und Regression mit JMP abgedeckt. Es ist nützlich, aber nicht erforderlich, bereits Erfahrung mit den Grundkonzepten der Versuchsplanung etwa im Rahmen des KursesKlassische Versuchsplanung mit JMP, gemacht zu haben.


In diesem eintages Kurs werden Techniken der Messsystemanalyse (MSA) bei attributiven Daten erlernt und Methoden der Zusammenhangsmaße, logistischen Regression sowie Partitionierung erarbeitet.

Sie lernen wie Mosaik Plots, Häufigkeitstabellen erstellt und interpretiert werden. Sowie die Errechnung und Interpretation der Odds Ratio und die Durchführung eines Cochran-Mantel-Haenszel Tests für geschichtete Daten.

Ebenso erlernen Sie, wie Sie mit Hilfe der Partitionierung vorhandene Muster in Ihren Daten entdecken können, wie binäre, nominale und ordinale logistische Regressionen erstellt werden und Korrespondenzanalysen interpretiert werden.

Ein weiteres Thema ist die Anwendung attributiver MSA Techniken. Nach dem Besuch dieses Kurses sind Sie in der Lage Daten mit einer attributiven Zielgrößen zu analysieren.

Inhalt:

  • Unterschiede zwischen kategorialen und die kontinuierlichen Daten
  • Beziehungen zwischen kategorialen Variablen analysieren
  • Durchführung einer rekursiven Partitionierung
  • Durchführung einer logistischen Regression inklusive einer Odds Analyse
  • Ordinale logistische Regression und Korrespondenzanalyse
  • Messsystemanalyse bei attributiver Daten

Voraussetzungen:

Teilnehmer sollten bereits ein grundlegendes Verständnis vom Arbeiten mit JMP haben. Dieses wird zum Beispiel im KursExplorative Datenanalyse mit JMP vermittelt.