Universität Wien FIND

040713 UK Angewandte Statistik (2018W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung

Details

max. 50 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Montag 01.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 08.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 15.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 22.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 29.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 05.11. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 12.11. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 19.11. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 26.11. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 03.12. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 10.12. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 07.01. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 14.01. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 21.01. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
Montag 28.01. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Im Rahmen der Lehrveranstaltung werden allgemeine Fragen der statistischen Methodik, einige spezielle Methoden und ihrer Anwendungen behandelt.
Gliederung der Vorlesung:
1. Einleitung: Grundlegende statistische Konzepte, Arten von Daten und der Datengewinnung
2. Klassische Zugänge zur Inferenz: Frequency-Zugang, Likelihood-Zugang, Bayes-Zugang
3. Erweiterungen der Klassischen Zugänge: Empirical Bayes, Modellwahl und Prädiktion, Kausale Inferenz, Metaanalyse
4. Computerintensive Methoden: Large Scale Hypothesis Testing, Neuronale Netze und Deep Learning

Art der Leistungskontrolle und erlaubte Hilfsmittel

Voraussetzung für einen positiven Abschluss:
Regelmäßige Teilnahme (maximal 3 Fehleinheiten),
Lösen von Übungsaufgaben (30 %)
Ausarbeitung zu einemThema (30 b%)
Abschlusstest (50 %)

Mindestanforderungen und Beurteilungsmaßstab

• Es gibt drei Übungsblätter mit Aufgaben zu jeweils drei Themenblöcken. Zu jedem Themenblock muss mindestens eine Aufgabe (praktische Beispiele mit R) gelöst werden.
• Die Ausarbeitung der einzelnen Themen behandeln Erweiterung der Methodik oder Analyse von praktischen Problemen). Sie werden von jeweils zwei Studierenden durchgeführt.
• Der Abschlusstest behandelt Themen der Vorlesung.
In jedem der drei Teile muss eine positive Leistung erbracht werden.

Prüfungsstoff

Prüfungsstoff ist der Inhalt der Lehrveranstaltung (theoretische Fragen)

Literatur

Das Konzept der Lehrvaranstaltung orientiert sich an dem Buch:
B. Efron, T. Hastie: Computer Age Statistical Inference- Algorithms, Evidence and Data Science. Cambridge University Press, 2016
Weitere Literatur zu einzelnen Themen wird in Moodle bekannt gegeben.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mi 13.03.2019 11:07