Universität Wien FIND
Warning! The directory is not yet complete and will be amended until the beginning of the term.

051131 UE Introductory Statistics (2022W)

Continuous assessment of course work
REMOTE

Summary

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

Registration/Deregistration

Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).
Registration information is available for each group.

Groups

Group 1

max. 25 participants
Language: German
LMS: Moodle

Lecturers

Classes (iCal) - next class is marked with N

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.

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

Assessment and permitted materials

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.

Minimum requirements and assessment criteria

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 %.

Examination topics

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.

Reading list

- 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.

Group 2

max. 25 participants
Language: German
LMS: Moodle

Lecturers

Classes (iCal) - next class is marked with N

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.

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

Assessment and permitted materials

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.

Minimum requirements and assessment criteria

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 %.

Examination topics

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.

Reading list

- 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.

Group 3

max. 25 participants
Language: German
LMS: Moodle

Lecturers

Classes (iCal) - next class is marked with N

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.

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

Assessment and permitted materials

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.

Minimum requirements and assessment criteria

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 %.

Examination topics

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.

Reading list

- 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.

Group 4

max. 25 participants
Language: German
LMS: Moodle

Lecturers

Classes (iCal) - next class is marked with N

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.

Friday 07.10. 14:00 - 14:45 Digital (Kickoff Class)
Friday 14.10. 14:00 - 14:45 Digital
Friday 21.10. 14:00 - 14:45 Digital
Friday 28.10. 14:00 - 14:45 Digital
Friday 04.11. 14:00 - 14:45 Digital
Friday 11.11. 14:00 - 14:45 Digital
Friday 18.11. 14:00 - 14:45 Digital
Friday 25.11. 14:00 - 14:45 Digital
Friday 02.12. 14:00 - 14:45 Digital
Friday 09.12. 14:00 - 14:45 Digital
Friday 16.12. 14:00 - 14:45 Digital
Friday 13.01. 14:00 - 14:45 Digital
Friday 20.01. 14:00 - 14:45 Digital
Friday 27.01. 14:00 - 14:45 Digital

Assessment and permitted materials

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.

Minimum requirements and assessment criteria

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 %.

Examination topics

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.

Reading list

- 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.

Group 5

max. 25 participants
Language: German
LMS: Moodle

Lecturers

Classes (iCal) - next class is marked with N

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.

Friday 07.10. 15:00 - 15:45 Digital (Kickoff Class)
Friday 14.10. 15:00 - 15:45 Digital
Friday 21.10. 15:00 - 15:45 Digital
Friday 28.10. 15:00 - 15:45 Digital
Friday 04.11. 15:00 - 15:45 Digital
Friday 11.11. 15:00 - 15:45 Digital
Friday 18.11. 15:00 - 15:45 Digital
Friday 25.11. 15:00 - 15:45 Digital
Friday 02.12. 15:00 - 15:45 Digital
Friday 09.12. 15:00 - 15:45 Digital
Friday 16.12. 15:00 - 15:45 Digital
Friday 13.01. 15:00 - 15:45 Digital
Friday 20.01. 15:00 - 15:45 Digital
Friday 27.01. 15:00 - 15:45 Digital

Assessment and permitted materials

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.

Minimum requirements and assessment criteria

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 %.

Examination topics

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.

Reading list

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.

Group 6

max. 25 participants
Language: German
LMS: Moodle

Lecturers

Classes (iCal) - next class is marked with N

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.

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

Assessment and permitted materials

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.

Minimum requirements and assessment criteria

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 %.

Examination topics

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.

Reading list

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.

Group 7

max. 25 participants
Language: German
LMS: Moodle

Lecturers

Classes (iCal) - next class is marked with N

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.

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

Assessment and permitted materials

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.

Minimum requirements and assessment criteria

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 %.

Examination topics

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.

Reading list

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

Aims, contents and method of the course

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.

Association in the course directory

Module: DAS EST UF-INF-12

Last modified: Th 26.01.2023 14:08