Modulbeschreibung
Statistisches Denken
Kurzzeichen:
M_SD
Unterrichtssprache:
Deutsch
ECTS-Credits:
2
Arbeitsaufwand (h):
60
Leitidee:
Die Studierenden
- kennen die Grundprinzipien der beschreibenden Statistik (Datentypen, Datendimension, Lage- und Streumasse, graphische Darstellungsmethoden, Datentransformationen).
- verstehen die grundlegende Aspekte der Wahrscheinlichkeitstheorie als Werkzeug zur statistischen Modellierung realer Vorgänge.
- können Punkt- und Intervallschätzer berechnen und interpretieren.
- können grundlegende statistische Hypothesen formulieren und testen.
- verstehen die Grundlagen der Regressions- und Varianzanalyse.
- können Lösungsstrategien für reale statistische Probleme zu konkreten Datensätzen entwickeln und mithilfe statistischer Software umsetzen.
Modulverantwortung:
Prof. Dr. Frick Klaus
Lehrpersonen:
Prof. Dr. Frick Klaus
Standort (angeboten):
Buchs, Chur, Waldau St.Gallen
Vorausgesetzte Module:
Zusätzliche Eingangskompetenzen:
Ebenfalls vorausgesetzt ist das Modul Elektrotechnik & Lineare Algebra I.
Modultyp:
Bemerkungen:
Das Modul findet im Frühlingssemester statt.
Modulbewertung:
Note von 1 - 6
Leistungsnachweise und deren Gewichtung
Während der Unterrichtsphase:
Während der Unterrichtsphase wird ein Projekt mittels Bericht und einem Fachgespräch bewertet.
Bewertungsart:
Note von 1 - 6
Gewichtung:
Während der Unterrichtsphase wird ein Projekt mittels Bericht (Gewicht 50%) und einem Fachgespräch (Gewicht 50%) bewertet.
Bemerkungen:
Es findet keine abgesetzte Modulschlussprüfung statt.
Inhalte
Angestrebte Lernergebnisse (Abschlusskompetenzen):
Die Studierenden
- kennen die Grundprinzipien der beschreibenden Statistik (Datentypen, Datendimension, Lage- und Streumasse, graphische Darstellungsmethoden, Datentransformationen).
- verstehen die grundlegende Aspekte der Wahrscheinlichkeitstheorie als Werkzeug zur statistischen Modellierung realer Vorgänge.
- können Punkt- und Intervallschätzer berechnen und interpretieren.
- können grundlegende statistische Hypothesen formulieren und testen.
- verstehen die Grundlagen der Regressions- und Varianzanalyse.
- können Lösungsstrategien für reale statistische Probleme zu konkreten Datensätzen entwickeln und mithilfe statistischer Software umsetzen.
Modul- und Lerninhalt:
-
Beschreibende Statistik
-
Einführung in die Wahrscheinlichkeitstheorie
-
Grundlagen des Schätzens und Testens
-
Grundlagen der Regression und der ANOVA
-
Einführung in geeignete statistische Software
Lehr- und Lernmethoden:
Unterrichtsgespräch im Klassenverband
Selbststudium (Übungen, Vor- und Nachbereitung der Lerninhalte)
Projektarbeit
Selbststudium (Übungen, Vor- und Nachbereitung der Lerninhalte)
Projektarbeit
Lehrmittel/-materialien:
Mitschrift der Studenten
R. Leonhart: Lehrbuch Statistik: Einstieg und Vertiefung (ergänzend)
R. Leonhart: Lehrbuch Statistik: Einstieg und Vertiefung (ergänzend)