Universität Wien

051131 UE Einführende Statistik (2022W)

3.00 ECTS (1.00 SWS), SPL 5 - Informatik und Wirtschaftsinformatik
Prüfungsimmanente Lehrveranstaltung
DIGITAL

Zusammenfassung

1 Slavova , Moodle
2 Slavova , Moodle
3 Slavova , Moodle
4 Slavova , Moodle
5 Slavova , Moodle
6 Slavova , Moodle
7 Slavova , Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
An/Abmeldeinformationen sind bei der jeweiligen Gruppe verfügbar.

Gruppen

Gruppe 1

max. 25 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die Vorbesprechung findet digital am Freitag, den 7.10.2022 von 11:30-12:15 statt.
Die noch nicht angemeldeten Studierende sollen vorher eine Email an tatjana.slavova@univie.ac.at schicken, dann bekommen sie einen Link zur Vorbesprechung zugeschickt.

  • Freitag 07.10. 11:30 - 12:15 Digital (Vorbesprechung)
  • Freitag 14.10. 11:30 - 12:15 Digital
  • Freitag 21.10. 11:30 - 12:15 Digital
  • Freitag 28.10. 11:30 - 12:15 Digital
  • Freitag 04.11. 11:30 - 12:15 Digital
  • Freitag 11.11. 11:30 - 12:15 Digital
  • Freitag 18.11. 11:30 - 12:15 Digital
  • Freitag 25.11. 11:30 - 12:15 Digital
  • Freitag 02.12. 11:30 - 12:15 Digital
  • Freitag 09.12. 11:30 - 12:15 Digital
  • Freitag 16.12. 11:30 - 12:15 Digital
  • Freitag 13.01. 11:30 - 12:15 Digital
  • Freitag 20.01. 11:30 - 12:15 Digital
  • Freitag 27.01. 11:30 - 12:15 Digital

Art der Leistungskontrolle und erlaubte Hilfsmittel

Als Softwarewerkzeug wird im Rahmen der Übung R eingesetzt, für die Abgabe und Präsentation der Beispiele werden Jupyter-Notebooks mit IRkernel verwendet.

Es gibt insgesamt 10 Aufgabenblätter mit zu lösenden Aufgaben. 50 % der Gesamtbewertung werden für das beste Ergebnis bei Präsentationen von Beispielen der ersten 5 Blätter vergeben, 50 % für das beste Ergebnis für die restlichen 5 Blätter. Für ein bestimmtes Aufgabenblatt kann maximal eine Aufgabe präsentiert werden. Alle Beispiele sind sowohl manuell in Markdown und LaTeX als auch mit Hilfe von R zu lösen, ausser es ist für ein Beispiel explizit anders vermerkt.

Mindestanforderungen und Beurteilungsmaßstab

Diese Lehrveranstaltung wird digital abgehalten.

Die Aufgabenblätter werden als Jupyter-Notebooks über Moodle-Aufgaben zur Verfügung gestellt und müssen bis zur angegebenen Frist abgegeben werden. Nach jeder Deadline wird eine Lösung für jede Aufgabe zufällig ausgewählt, wobei Studierende mit einem niedrigeren bisher erreichten Prozentanteil (0 % - 50 %) für diesen Bewertungsaspekt priorisiert werden. Die ausgewählten Studierenden werden kontaktiert und präsentieren ihr Beispiel in der Übung.

Für eine positive Note müssen mindestens 60% der Beispiele angekreuzt werden.

Die Notenskala lautet wie folgt: 1: zumindest 90 %, 2: zumindest 80 %, 3: zumindest 65 %, 4: zumindest 50 %.

Prüfungsstoff

Es werden Aufgabenblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Wahrscheinlichkeiten und Unabhängigkeit, Zufallsvariablen und ihre Verteilungen, Erwartungswert und Varianz, Mehrdimensionale Zufallsvariablen, Schätzverfahren, Testverfahren 1, Testverfahren 2, Regressionsanalyse.

Literatur

- L. Fahrmeir et al. Statistik. Der Weg zur Datenanalyse. Springer, 2016.
- J. Bleymüller, R. Weißbach, A. Dörre. Statistik für Wirtschaftswissenschaftler. Vahlen, 2020.
- P. Dalgaard. Introductory Statistics with R. Springer, 2008.
- A. Field, J. Miles. Discovering Statistics Using R. SAGE Publications Ltd, 2012.
- M. J. Crawley. Statistics: An Introduction Using R. Wiley, 2014
- R. M. Heiberger, B. Holland. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Springer, 2015.
- R. Stinerock. Statistics with R: A Beginner's Guide. SAGE Publications Ltd, 2018.

Gruppe 2

max. 25 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die Vorbesprechung findet digital am Freitag, den 7.10.2022 von 12:15-13:00 statt.
Die noch nicht angemeldeten Studierende sollen vorher eine Email an tatjana.slavova@univie.ac.at schicken, dann bekommen sie einen Link zur Vorbesprechung zugeschickt.

  • Freitag 07.10. 12:15 - 13:00 Digital (Vorbesprechung)
  • Freitag 14.10. 12:15 - 13:00 Digital
  • Freitag 21.10. 12:15 - 13:00 Digital
  • Freitag 28.10. 12:15 - 13:00 Digital
  • Freitag 04.11. 12:15 - 13:00 Digital
  • Freitag 11.11. 12:15 - 13:00 Digital
  • Freitag 18.11. 12:15 - 13:00 Digital
  • Freitag 25.11. 12:15 - 13:00 Digital
  • Freitag 02.12. 12:15 - 13:00 Digital
  • Freitag 09.12. 12:15 - 13:00 Digital
  • Freitag 16.12. 12:15 - 13:00 Digital
  • Freitag 13.01. 12:15 - 13:00 Digital
  • Freitag 20.01. 12:15 - 13:00 Digital
  • Freitag 27.01. 12:15 - 13:00 Digital

Art der Leistungskontrolle und erlaubte Hilfsmittel

Als Softwarewerkzeug wird im Rahmen der Übung R eingesetzt, für die Abgabe und Präsentation der Beispiele werden Jupyter-Notebooks mit IRkernel verwendet.

Es gibt insgesamt 10 Aufgabenblätter mit zu lösenden Aufgaben. 50 % der Gesamtbewertung werden für das beste Ergebnis bei Präsentationen von Beispielen der ersten 5 Blätter vergeben, 50 % für das beste Ergebnis für die restlichen 5 Blätter. Für ein bestimmtes Aufgabenblatt kann maximal eine Aufgabe präsentiert werden. Alle Beispiele sind sowohl manuell in Markdown und LaTeX als auch mit Hilfe von R zu lösen, ausser es ist für ein Beispiel explizit anders vermerkt.

Mindestanforderungen und Beurteilungsmaßstab

Diese Lehrveranstaltung wird digital abgehalten.

Die Aufgabenblätter werden als Jupyter-Notebooks über Moodle-Aufgaben zur Verfügung gestellt und müssen bis zur angegebenen Frist abgegeben werden. Nach jeder Deadline wird eine Lösung für jede Aufgabe zufällig ausgewählt, wobei Studierende mit einem niedrigeren bisher erreichten Prozentanteil (0 % - 50 %) für diesen Bewertungsaspekt priorisiert werden. Die ausgewählten Studierenden werden kontaktiert und präsentieren ihr Beispiel in der Übung.

Für eine positive Note müssen mindestens 60% der Beispiele angekreuzt werden.

Die Notenskala lautet wie folgt: 1: zumindest 90 %, 2: zumindest 80 %, 3: zumindest 65 %, 4: zumindest 50 %.

Prüfungsstoff

Es werden Aufgabenblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Wahrscheinlichkeiten und Unabhängigkeit, Zufallsvariablen und ihre Verteilungen, Erwartungswert und Varianz, Mehrdimensionale Zufallsvariablen, Schätzverfahren, Testverfahren 1, Testverfahren 2, Regressionsanalyse.

Literatur

- L. Fahrmeir et al. Statistik. Der Weg zur Datenanalyse. Springer, 2016.
- J. Bleymüller, R. Weißbach, A. Dörre. Statistik für Wirtschaftswissenschaftler. Vahlen, 2020.
- P. Dalgaard. Introductory Statistics with R. Springer, 2008.
- A. Field, J. Miles. Discovering Statistics Using R. SAGE Publications Ltd, 2012.
- M. J. Crawley. Statistics: An Introduction Using R. Wiley, 2014
- R. M. Heiberger, B. Holland. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Springer, 2015.
- R. Stinerock. Statistics with R: A Beginner's Guide. SAGE Publications Ltd, 2018.

Gruppe 3

max. 25 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die Vorbesprechung findet digital am Freitag, den 7.10.2022 von 13:15-14:00 statt.
Die noch nicht angemeldeten Studierende sollen vorher eine Email an tatjana.slavova@univie.ac.at schicken, dann bekommen sie einen Link zur Vorbesprechung zugeschickt.

  • Freitag 07.10. 13:15 - 14:00 Digital (Vorbesprechung)
  • Freitag 14.10. 13:15 - 14:00 Digital
  • Freitag 21.10. 13:15 - 14:00 Digital
  • Freitag 28.10. 13:15 - 14:00 Digital
  • Freitag 04.11. 13:15 - 14:00 Digital
  • Freitag 11.11. 13:15 - 14:00 Digital
  • Freitag 18.11. 13:15 - 14:00 Digital
  • Freitag 25.11. 13:15 - 14:00 Digital
  • Freitag 02.12. 13:15 - 14:00 Digital
  • Freitag 09.12. 13:15 - 14:00 Digital
  • Freitag 16.12. 13:15 - 14:00 Digital
  • Freitag 13.01. 13:15 - 14:00 Digital
  • Freitag 20.01. 13:15 - 14:00 Digital
  • Freitag 27.01. 13:15 - 14:00 Digital

Art der Leistungskontrolle und erlaubte Hilfsmittel

Als Softwarewerkzeug wird im Rahmen der Übung R eingesetzt, für die Abgabe und Präsentation der Beispiele werden Jupyter-Notebooks mit IRkernel verwendet.

Es gibt insgesamt 10 Aufgabenblätter mit zu lösenden Aufgaben. 50 % der Gesamtbewertung werden für das beste Ergebnis bei Präsentationen von Beispielen der ersten 5 Blätter vergeben, 50 % für das beste Ergebnis für die restlichen 5 Blätter. Für ein bestimmtes Aufgabenblatt kann maximal eine Aufgabe präsentiert werden. Alle Beispiele sind sowohl manuell in Markdown und LaTeX als auch mit Hilfe von R zu lösen, ausser es ist für ein Beispiel explizit anders vermerkt.

Mindestanforderungen und Beurteilungsmaßstab

Diese Lehrveranstaltung wird digital abgehalten.

Die Aufgabenblätter werden als Jupyter-Notebooks über Moodle-Aufgaben zur Verfügung gestellt und müssen bis zur angegebenen Frist abgegeben werden. Nach jeder Deadline wird eine Lösung für jede Aufgabe zufällig ausgewählt, wobei Studierende mit einem niedrigeren bisher erreichten Prozentanteil (0 % - 50 %) für diesen Bewertungsaspekt priorisiert werden. Die ausgewählten Studierenden werden kontaktiert und präsentieren ihr Beispiel in der Übung.

Für eine positive Note müssen mindestens 60% der Beispiele angekreuzt werden.

Die Notenskala lautet wie folgt: 1: zumindest 90 %, 2: zumindest 80 %, 3: zumindest 65 %, 4: zumindest 50 %.

Prüfungsstoff

Es werden Aufgabenblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Wahrscheinlichkeiten und Unabhängigkeit, Zufallsvariablen und ihre Verteilungen, Erwartungswert und Varianz, Mehrdimensionale Zufallsvariablen, Schätzverfahren, Testverfahren 1, Testverfahren 2, Regressionsanalyse.

Literatur

- L. Fahrmeir et al. Statistik. Der Weg zur Datenanalyse. Springer, 2016.
- J. Bleymüller, R. Weißbach, A. Dörre. Statistik für Wirtschaftswissenschaftler. Vahlen, 2020.
- P. Dalgaard. Introductory Statistics with R. Springer, 2008.
- A. Field, J. Miles. Discovering Statistics Using R. SAGE Publications Ltd, 2012.
- M. J. Crawley. Statistics: An Introduction Using R. Wiley, 2014
- R. M. Heiberger, B. Holland. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Springer, 2015.
- R. Stinerock. Statistics with R: A Beginner's Guide. SAGE Publications Ltd, 2018.

Gruppe 4

max. 25 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die Vorbesprechung findet digital am Freitag, den 7.10.2022 von 14:00-14:45 statt.
Die noch nicht angemeldeten Studierende sollen vorher eine Email an tatjana.slavova@univie.ac.at schicken, dann bekommen sie einen Link zur Vorbesprechung zugeschickt.

  • Freitag 07.10. 14:00 - 14:45 Digital (Vorbesprechung)
  • Freitag 14.10. 14:00 - 14:45 Digital
  • Freitag 21.10. 14:00 - 14:45 Digital
  • Freitag 28.10. 14:00 - 14:45 Digital
  • Freitag 04.11. 14:00 - 14:45 Digital
  • Freitag 11.11. 14:00 - 14:45 Digital
  • Freitag 18.11. 14:00 - 14:45 Digital
  • Freitag 25.11. 14:00 - 14:45 Digital
  • Freitag 02.12. 14:00 - 14:45 Digital
  • Freitag 09.12. 14:00 - 14:45 Digital
  • Freitag 16.12. 14:00 - 14:45 Digital
  • Freitag 13.01. 14:00 - 14:45 Digital
  • Freitag 20.01. 14:00 - 14:45 Digital
  • Freitag 27.01. 14:00 - 14:45 Digital

Art der Leistungskontrolle und erlaubte Hilfsmittel

Als Softwarewerkzeug wird im Rahmen der Übung R eingesetzt, für die Abgabe und Präsentation der Beispiele werden Jupyter-Notebooks mit IRkernel verwendet.

Es gibt insgesamt 10 Aufgabenblätter mit zu lösenden Aufgaben. 50 % der Gesamtbewertung werden für das beste Ergebnis bei Präsentationen von Beispielen der ersten 5 Blätter vergeben, 50 % für das beste Ergebnis für die restlichen 5 Blätter. Für ein bestimmtes Aufgabenblatt kann maximal eine Aufgabe präsentiert werden. Alle Beispiele sind sowohl manuell in Markdown und LaTeX als auch mit Hilfe von R zu lösen, ausser es ist für ein Beispiel explizit anders vermerkt.

Mindestanforderungen und Beurteilungsmaßstab

Diese Lehrveranstaltung wird digital abgehalten.

Die Aufgabenblätter werden als Jupyter-Notebooks über Moodle-Aufgaben zur Verfügung gestellt und müssen bis zur angegebenen Frist abgegeben werden. Nach jeder Deadline wird eine Lösung für jede Aufgabe zufällig ausgewählt, wobei Studierende mit einem niedrigeren bisher erreichten Prozentanteil (0 % - 50 %) für diesen Bewertungsaspekt priorisiert werden. Die ausgewählten Studierenden werden kontaktiert und präsentieren ihr Beispiel in der Übung.

Für eine positive Note müssen mindestens 60% der Beispiele angekreuzt werden.

Die Notenskala lautet wie folgt: 1: zumindest 90 %, 2: zumindest 80 %, 3: zumindest 65 %, 4: zumindest 50 %.

Prüfungsstoff

Es werden Aufgabenblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Wahrscheinlichkeiten und Unabhängigkeit, Zufallsvariablen und ihre Verteilungen, Erwartungswert und Varianz, Mehrdimensionale Zufallsvariablen, Schätzverfahren, Testverfahren 1, Testverfahren 2, Regressionsanalyse.

Literatur

- L. Fahrmeir et al. Statistik. Der Weg zur Datenanalyse. Springer, 2016.
- J. Bleymüller, R. Weißbach, A. Dörre. Statistik für Wirtschaftswissenschaftler. Vahlen, 2020.
- P. Dalgaard. Introductory Statistics with R. Springer, 2008.
- A. Field, J. Miles. Discovering Statistics Using R. SAGE Publications Ltd, 2012.
- M. J. Crawley. Statistics: An Introduction Using R. Wiley, 2014
- R. M. Heiberger, B. Holland. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Springer, 2015.
- R. Stinerock. Statistics with R: A Beginner's Guide. SAGE Publications Ltd, 2018.

Gruppe 5

max. 25 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die Vorbesprechung findet digital am Freitag, den 7.10.2022 von 15:00-15:45 statt.
Die noch nicht angemeldeten Studierende sollen vorher eine Email an tatjana.slavova@univie.ac.at schicken, dann bekommen sie einen Link zur Vorbesprechung zugeschickt.

  • Freitag 07.10. 15:00 - 15:45 Digital (Vorbesprechung)
  • Freitag 14.10. 15:00 - 15:45 Digital
  • Freitag 21.10. 15:00 - 15:45 Digital
  • Freitag 28.10. 15:00 - 15:45 Digital
  • Freitag 04.11. 15:00 - 15:45 Digital
  • Freitag 11.11. 15:00 - 15:45 Digital
  • Freitag 18.11. 15:00 - 15:45 Digital
  • Freitag 25.11. 15:00 - 15:45 Digital
  • Freitag 02.12. 15:00 - 15:45 Digital
  • Freitag 09.12. 15:00 - 15:45 Digital
  • Freitag 16.12. 15:00 - 15:45 Digital
  • Freitag 13.01. 15:00 - 15:45 Digital
  • Freitag 20.01. 15:00 - 15:45 Digital
  • Freitag 27.01. 15:00 - 15:45 Digital

Art der Leistungskontrolle und erlaubte Hilfsmittel

Als Softwarewerkzeug wird im Rahmen der Übung R eingesetzt, für die Abgabe und Präsentation der Beispiele werden Jupyter-Notebooks mit IRkernel verwendet.
Es gibt insgesamt 10 Aufgabenblätter mit zu lösenden Aufgaben. 50 % der Gesamtbewertung werden für das beste Ergebnis bei Präsentationen von Beispielen der ersten 5 Blätter vergeben, 50 % für das beste Ergebnis für die restlichen 5 Blätter. Für ein bestimmtes Aufgabenblatt kann maximal eine Aufgabe präsentiert werden. Alle Beispiele sind sowohl manuell in Markdown und LaTeX als auch mit Hilfe von R zu lösen, ausser es ist für ein Beispiel explizit anders vermerkt.

Mindestanforderungen und Beurteilungsmaßstab

Diese Lehrveranstaltung wird digital abgehalten.

Die Aufgabenblätter werden als Jupyter-Notebooks über Moodle-Aufgaben zur Verfügung gestellt und müssen bis zur angegebenen Frist abgegeben werden. Nach jeder Deadline wird eine Lösung für jede Aufgabe zufällig ausgewählt, wobei Studierende mit einem niedrigeren bisher erreichten Prozentanteil (0 % - 50 %) für diesen Bewertungsaspekt priorisiert werden. Die ausgewählten Studierenden werden kontaktiert und präsentieren ihr Beispiel in der Übung.

Für eine positive Note müssen mindestens 60% der Beispiele angekreuzt werden.

Die Notenskala lautet wie folgt: 1: zumindest 90 %, 2: zumindest 80 %, 3: zumindest 65 %, 4: zumindest 50 %.

Prüfungsstoff

Es werden Aufgabenblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Wahrscheinlichkeiten und Unabhängigkeit, Zufallsvariablen und ihre Verteilungen, Erwartungswert und Varianz, Mehrdimensionale Zufallsvariablen, Schätzverfahren, Testverfahren 1, Testverfahren 2, Regressionsanalyse.

Literatur

L. Fahrmeir et al. Statistik. Der Weg zur Datenanalyse. Springer, 2016.
J. Bleymüller, R. Weißbach, A. Dörre. Statistik für Wirtschaftswissenschaftler. Vahlen, 2020.
P. Dalgaard. Introductory Statistics with R. Springer, 2008.
A. Field, J. Miles. Discovering Statistics Using R. SAGE Publications Ltd, 2012.
M. J. Crawley. Statistics: An Introduction Using R. Wiley, 2014
R. M. Heiberger, B. Holland. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Springer, 2015.
R. Stinerock. Statistics with R: A Beginner's Guide. SAGE Publications Ltd, 2018.

Gruppe 6

max. 25 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die Vorbesprechung findet digital am Freitag, den 7.10.2022 von 15:45 - 16:30 statt.
Die noch nicht angemeldeten Studierende sollen vorher eine Email an tatjana.slavova@univie.ac.at schicken, dann bekommen sie einen Link zur Vorbesprechung zugeschickt.

  • Freitag 07.10. 15:45 - 16:30 Digital (Vorbesprechung)
  • Freitag 14.10. 15:45 - 16:30 Digital
  • Freitag 21.10. 15:45 - 16:30 Digital
  • Freitag 28.10. 15:45 - 16:30 Digital
  • Freitag 04.11. 15:45 - 16:30 Digital
  • Freitag 11.11. 15:45 - 16:30 Digital
  • Freitag 18.11. 15:45 - 16:30 Digital
  • Freitag 25.11. 15:45 - 16:30 Digital
  • Freitag 02.12. 15:45 - 16:30 Digital
  • Freitag 09.12. 15:45 - 16:30 Digital
  • Freitag 16.12. 15:45 - 16:30 Digital
  • Freitag 13.01. 15:45 - 16:30 Digital
  • Freitag 20.01. 15:45 - 16:30 Digital
  • Freitag 27.01. 15:45 - 16:30 Digital

Art der Leistungskontrolle und erlaubte Hilfsmittel

Als Softwarewerkzeug wird im Rahmen der Übung R eingesetzt, für die Abgabe und Präsentation der Beispiele werden Jupyter-Notebooks mit IRkernel verwendet.
Es gibt insgesamt 10 Aufgabenblätter mit zu lösenden Aufgaben. 50 % der Gesamtbewertung werden für das beste Ergebnis bei Präsentationen von Beispielen der ersten 5 Blätter vergeben, 50 % für das beste Ergebnis für die restlichen 5 Blätter. Für ein bestimmtes Aufgabenblatt kann maximal eine Aufgabe präsentiert werden. Alle Beispiele sind sowohl manuell in Markdown und LaTeX als auch mit Hilfe von R zu lösen, ausser es ist für ein Beispiel explizit anders vermerkt.

Mindestanforderungen und Beurteilungsmaßstab

Diese Lehrveranstaltung wird digital abgehalten.

Die Aufgabenblätter werden als Jupyter-Notebooks über Moodle-Aufgaben zur Verfügung gestellt und müssen bis zur angegebenen Frist abgegeben werden. Nach jeder Deadline wird eine Lösung für jede Aufgabe zufällig ausgewählt, wobei Studierende mit einem niedrigeren bisher erreichten Prozentanteil (0 % - 50 %) für diesen Bewertungsaspekt priorisiert werden. Die ausgewählten Studierenden werden kontaktiert und präsentieren ihr Beispiel in der Übung.

Für eine positive Note müssen mindestens 60% der Beispiele angekreuzt werden.

Die Notenskala lautet wie folgt: 1: zumindest 90 %, 2: zumindest 80 %, 3: zumindest 65 %, 4: zumindest 50 %.

Prüfungsstoff

Es werden Übungsblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Es werden Aufgabenblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Wahrscheinlichkeiten und Unabhängigkeit, Zufallsvariablen und ihre Verteilungen, Erwartungswert und Varianz, Mehrdimensionale Zufallsvariablen, Schätzverfahren, Testverfahren 1, Testverfahren 2, Regressionsanalyse.

Literatur

L. Fahrmeir et al. Statistik. Der Weg zur Datenanalyse. Springer, 2016.
J. Bleymüller, R. Weißbach, A. Dörre. Statistik für Wirtschaftswissenschaftler. Vahlen, 2020.
P. Dalgaard. Introductory Statistics with R. Springer, 2008.
A. Field, J. Miles. Discovering Statistics Using R. SAGE Publications Ltd, 2012.
M. J. Crawley. Statistics: An Introduction Using R. Wiley, 2014
R. M. Heiberger, B. Holland. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Springer, 2015.
R. Stinerock. Statistics with R: A Beginner's Guide. SAGE Publications Ltd, 2018.

Gruppe 7

max. 25 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Die Vorbesprechung findet digital am Freitag, den 7.10.2022 von 16:45 - 17:30 statt.
Die noch nicht angemeldeten Studierende sollen vorher eine Email an tatjana.slavova@univie.ac.at schicken, dann bekommen sie einen Link zur Vorbesprechung zugeschickt.

  • Freitag 07.10. 16:45 - 17:30 Digital (Vorbesprechung)
  • Freitag 14.10. 16:45 - 17:30 Digital
  • Freitag 21.10. 16:45 - 17:30 Digital
  • Freitag 28.10. 16:45 - 17:30 Digital
  • Freitag 04.11. 16:45 - 17:30 Digital
  • Freitag 11.11. 16:45 - 17:30 Digital
  • Freitag 18.11. 16:45 - 17:30 Digital
  • Freitag 25.11. 16:45 - 17:30 Digital
  • Freitag 02.12. 16:45 - 17:30 Digital
  • Freitag 09.12. 16:45 - 17:30 Digital
  • Freitag 16.12. 16:45 - 17:30 Digital
  • Freitag 13.01. 16:45 - 17:30 Digital
  • Freitag 20.01. 16:45 - 17:30 Digital
  • Freitag 27.01. 16:45 - 17:30 Digital

Art der Leistungskontrolle und erlaubte Hilfsmittel

Als Softwarewerkzeug wird im Rahmen der Übung R eingesetzt, für die Abgabe und Präsentation der Beispiele werden Jupyter-Notebooks mit IRkernel verwendet.Es gibt insgesamt 10 Aufgabenblätter mit zu lösenden Aufgaben. 50 % der Gesamtbewertung werden für das beste Ergebnis bei Präsentationen von Beispielen der ersten 5 Blätter vergeben, 50 % für das beste Ergebnis für die restlichen 5 Blätter. Für ein bestimmtes Aufgabenblatt kann maximal eine Aufgabe präsentiert werden. Alle Beispiele sind sowohl manuell in Markdown und LaTeX als auch mit Hilfe von R zu lösen, ausser es ist für ein Beispiel explizit anders vermerkt.

Mindestanforderungen und Beurteilungsmaßstab

Diese Lehrveranstaltung wird digital abgehalten.

Die Aufgabenblätter werden als Jupyter-Notebooks über Moodle-Aufgaben zur Verfügung gestellt und müssen bis zur angegebenen Frist abgegeben werden. Nach jeder Deadline wird eine Lösung für jede Aufgabe zufällig ausgewählt, wobei Studierende mit einem niedrigeren bisher erreichten Prozentanteil (0 % - 50 %) für diesen Bewertungsaspekt priorisiert werden. Die ausgewählten Studierenden werden kontaktiert und präsentieren ihr Beispiel in der Übung.

Für eine positive Note müssen mindestens 60% der Beispiele angekreuzt werden.

Die Notenskala lautet wie folgt: 1: zumindest 90 %, 2: zumindest 80 %, 3: zumindest 65 %, 4: zumindest 50 %.

Prüfungsstoff

Es werden Übungsblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Es werden Aufgabenblätter zu folgenden Inhalten durchgenommen: Kombinatorik, Laplace-Wahrscheinlichkeiten, Bedingte Wahrscheinlichkeiten und Unabhängigkeit, Zufallsvariablen und ihre Verteilungen, Erwartungswert und Varianz, Mehrdimensionale Zufallsvariablen, Schätzverfahren, Testverfahren 1, Testverfahren 2, Regressionsanalyse.

Literatur

L. Fahrmeir et al. Statistik. Der Weg zur Datenanalyse. Springer, 2016.J. Bleymüller, R. Weißbach, A. Dörre. Statistik für Wirtschaftswissenschaftler. Vahlen, 2020.P. Dalgaard. Introductory Statistics with R. Springer, 2008.A. Field, J. Miles. Discovering Statistics Using R. SAGE Publications Ltd, 2012.M. J. Crawley. Statistics: An Introduction Using R. Wiley, 2014R. M. Heiberger, B. Holland. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Springer, 2015.R. Stinerock. Statistics with R: A Beginner's Guide. SAGE Publications Ltd, 2018.

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Studierenden verfügen über Fähigkeiten empirische Sachverhalte mittels statistischer Basistechniken zu beschreiben und graphisch korrekt zu repräsentieren; sowie über ein prinzipielles Verständnis für die grundlegenden Konzepte der Wahrscheinlichkeitstheorie und der inferenzstatistischen Modellierung und Methodik. Die Studierenden sind in der Lage inhaltliche Fragestellungen in statistische Modelle zu übersetzen und diese mittels adäquater Techniken der Inferenzstatistik korrekt zu beantworten. Dabei können sie moderne Softwarewerkzeuge für Analytik und Visualisierung zur Beantwortung datenanalytischer Fragestellungen erfolgreich anwenden. Ziel dieser Übung ist es, den Stoff der Vorlesung zu vertiefen und anwenden zu lernen. Es wird überprüft, inwieweit das in der Vorlesung Gelernte umgesetzt werden kann. Weiters sollen Unklarheiten in Bezug auf das Verständnis des Stoffes beseitigt werden.

Zuordnung im Vorlesungsverzeichnis

Module: DAS EST UF-INF-12

Letzte Änderung: Mo 24.07.2023 12:26