Modulbeschreibung

Die Studierenden sollen befähigt werden
• kleine statistische Anwendungsprobleme mit eigenen Daten selbst zu lösen
• bei größeren Problemen sinnvoll mit Statistiker/innen zusammen zu arbeiten
• die Statistik in anderen wissenschaftlichen Arbeiten (wenigstens in den Grundzügen) zu verstehen
• Missbräuche und Fehler leichter zu durchschauen und selbstständig zu beurteilen

Fachkompetenzen:

Die Teilnehmenden:

• können Grundelemente der deskriptiven Statistik mithilfe von Python und den entsprechenden Bibliotheken selbstständig auf neue Fragestellung anwenden.
• kennen die Grundzüge der Wahrscheinlichkeitsrechnung sowie induktiven Statistik

Methodenkompetenzen:

Die Teilnehmenden können:

• die Methoden der Beschreibenden Statsistik (Graphische Darstellungen, Kennzahlen) sicher anwenden
• ein Statistikwerkzeug (Python) auf neue Datensätze anwenden
• die Grundlagen der Wahrscheinlichkeitstheorie in einfachen Beispielen anwenden
• die Grundprinzipien der Schätz- und Testtheorie darstellen, verwenden sowie zugehörige Aufgaben und Probleme lösen

Selbstkompetenzen:

Die Teilnehmenden:

• besitzen Problemlösungs- und Umsetzungskompetenz.
• können modellieren, abstrahieren, strukturieren, analysieren und synthetisieren.
• besitzen eine fachsprachliche Ausdrucksfähigkeit, können präzise formulieren und überzeugend argumentieren.
• verfügen über Selbstdisziplin, Leistungsbereitschaft und die Fähigkeit, analytisch und lösungsbezogen zu denken.

Sozialkompetenzen:

Die Teilnehmenden können:

• statistische Inhalte präzise, stringent und adressatengerecht kommunizieren

• statistische Fragestellungen präzise formulieren

Themen-/Lernblock: Deskriptive Statistik (Schwerpunkt)
1. Werkzeuge (Python) zbd Grundbegriffe (u.a. Merkmale, qualitativ/quantitativ, diskret/stetig)
2. Graphische Aufbereitung von Daten (u.a. Quantile, Stabdiagramm, Histogramm, empirische Verteilungsfunktion)
3. Lageparameter (u.a. Arithmetisches Mittel, Median, geometrisches Mittel)
4. Streuungsparameter (u.a. Quartilsabstand, empirische Varianz, Standardabweichung, Variationskoeffizient, Boxplot)
5. Zweidimensionale Häufigkeitsverteilung und Regression (u.a. Kovarianz, Randhäufigkeiten, Streudiagramm, Regression)
6. Funktionale Beschreibung von diskreten und stetigen Daten (u.a. Binomialverteilung, Gleichverteilung)

Themen-/Lernblock: Kombinatorik/Wahrscheinlichkeitsrechnung
• Kombinatorische Grundlagen (z.B. Fakultäten, Binomialkoeffizienten)
• Zufall, Ereignisalgebra (z.B. Zufallsexperiment, Elementarereignis, Ergebnisraum, Ereignis, Satz von Laplace)
• Unabhängige Ereignisse und bedingte Wahrscheinlichkeit (z.B. bedingte Wahrscheinlichkeit, Satz von Bayes)
• Zufällige Variable und Wahrscheinlichkeitsverteilung (z.B. Zufallsvariable, Realisationen, diskrete Zufallsvariable)
• Erwartungswert und Varianz einer Verteilung (z.B. Erwartungswert, unabhängige/abhängige Zufallsvariablen)

Themen-/Lernblock: Induktive Statistik
• Problemstellung, Zufallsstichproben (z.B. Grundgesamtheit und Zufallsstichprobe, Schätzprinzip)
• Punktschätzungen (z.B. Schätzfunktion/Schätzer, Stichprobenmittel, Stichprobenvarianz, Anteilssatz, Erwartungstreue)
• Intervallschätzungen (z.B. Konfidenzintervall für den Erwartungswert)
• Hypothesentests (z.B. Prinzip eines Hypothesentests, Signifikanzniveau, Fehler 1. und 2. Art, Ablehnungsbereich)