Mit Erklärvideos und Simulationen Kovariation in Bayesianischen Situationen trainieren
| dc.contributor.author | Steib, Nicole | |
| dc.contributor.author | Büchter, Theresa | |
| dc.date.accessioned | 2023-06-07T13:52:36Z | |
| dc.date.available | 2023-06-07T13:52:36Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Häufig werden aktuell Corona-Selbsttests durchgeführt, um festzustellen, ob man mit SARS-CoV-2 infiziert ist. Die Struktur in diesen Situationen ist exemplarisch für Bayesianische Situationen, die sich durch eine binäre Hypothese H (z. B. infiziert vs. nicht infiziert) und ein binäres Indiz I zu dieser Hypothese (z. B. ein positives vs. negatives Testergebnis) auszeichnen (Zhu & Gigerenzer, 2006). Bayesianisches Denken umfasst dann die Fähigkeit, in solchen Situationen argumentieren zu können. In einer solchen Bayesianischen Situation sind typischerweise drei Wahrscheinlichkeiten gegeben bzw. notwendig, um mit der Formel von Bayes rechnen zu können. | de |
| dc.identifier.uri | http://hdl.handle.net/2003/41569 | |
| dc.identifier.uri | http://dx.doi.org/10.17877/DE290R-23412 | |
| dc.language.iso | de | de |
| dc.publisher | Gesellschaft für Didaktik der Mathematik | |
| dc.relation.ispartof | Beiträge zum Mathematikunterricht 2022 | |
| dc.subject | Kovariation | de |
| dc.subject | Bayesianisches Denken | de |
| dc.subject | Visualisierungen | de |
| dc.subject | Doppelbaum | de |
| dc.subject | Einheitsquadrat | de |
| dc.subject | Sek 1 | de |
| dc.subject | Algebra | de |
| dc.subject | Darstellen | de |
| dc.subject | Sek II | de |
| dc.subject | Stochastik | de |
| dc.subject.ddc | 510 | |
| dc.title | Mit Erklärvideos und Simulationen Kovariation in Bayesianischen Situationen trainieren | de |
| dc.type | Text | de |
| dc.type.publicationtype | conferenceObject | de |
| dcterms.accessRights | open access | |
| eldorado.secondarypublication | false | de |