051131 UE Introductory Statistics (2022W)
Continuous assessment of course work
Labels
REMOTE
Summary
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 is open from We 14.09.2022 09:00 to We 21.09.2022 09:00
- Deregistration possible until Fr 14.10.2022 23:59
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.
- 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.
- 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.
- 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.
- 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.
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.
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.
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.
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: Tu 29.08.2023 12:27