Universität Wien

040721 UK Ausgewählte Kapitel der Statistik (MA) (2023W)

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

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 30 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Dienstag 03.10. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 10.10. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 17.10. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 24.10. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 31.10. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 07.11. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 14.11. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 21.11. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 28.11. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 05.12. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 12.12. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 09.01. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 16.01. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 23.01. 15:00 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Ziele:
Vermittlung von Konzepten Bayesianischer Statistik: Theoretische Grundlagen, Methodologie und Anwendung.
Befähigung zur Anwendung in computergestützten Verfahren.

Inhalte:
1. Decision Theory (admissibility and optimality, Bayes and minimax decisions)
2. Bayesian Estimation (Bayes formula, Bayes estimators, hierarchical and empirical Bayes methods)
3. Markov Chain Monte Carlo Methods (Slice Sampler, Gibbs Sampler, Metropolis-Hastings, monitoring convergence, credible intervals)

Methoden:
Vorlesung und Übung, die vor Ort stattfinden.
Vorlesungsskript, Übungsblätter und Daten werden zur Verfügung gestellt.
Studierende müssen in statistischer Software programmieren.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Es gibt eine schriftliche Prüfung zu den Themen 1 und 2 am 14.11.2023.
Zusätzlich gibt es drei Übungsblätter mit Programmieranteil zum Thema 3 (vergeben am 28.11.2023, 12.12.2023, 16.01.2024).
Die Übungsblätter werden nach einer Woche abgegeben und besprochen.

Die Verwendung von KI-Tools (z. B. ChatGPT) für die Produktion von Texten ist nur dann erlaubt, wenn diese von der Lehrveranstaltungsleitung ausdrücklich gefordert werden (z. B. für einzelne Arbeitsaufgaben).

Mindestanforderungen und Beurteilungsmaßstab

40 Punkte die schriftliche Prüfung zu den Themen 1 und 2
20 Punkte pro Übungsblatt zum Thema 3

Die Note ermittelt sich nach folgendem Schema: 4 ab 50 Punkten, 3 ab 63 Punkten, 2 ab 75 Punkten, 1 ab 87 Punkten.

Prüfungsstoff

Inhalte der behandelten Themen.

Literatur

Shao, J. (2003): Mathematical Statistics.
Robert, C. P. And Casella, G. (2004): Monte Carlo Statistical Methods.
Hoff, P. D. (2010): A First Course in Bayesian Statistical Methods.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mi 18.10.2023 12:07