Modulbeschreibung

Statistik

Kurzzeichen:
M_STATI
Unterrichtssprache:
Deutsch
ECTS-Credits:
4
Leitidee:

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

Modulverantwortung:
Prof. Stämpfli Adrian
Standort (angeboten):
Rapperswil-Jona, St. Gallen (Standard)
Modultyp:
Wahlpflicht-Modul für Wirtschaftsingenieurwesen STD_18(Keine Semesterempfehlung)Kategorie:Ingenieurkompetenzen (W-IK)
Besuchspflichtmodul für Wirtschaftsingenieurwesen STD_21(Empfohlenes Semester: 3)Kategorie:Mathematik & Naturwissenschaften (W-MANA)
Besuchspflichtmodul für Data Science STD_21 (VR)
Besuchspflichtmodul für Wirtschaftsingenieurwesen STD_24(Empfohlenes Semester: 3)Kategorie:Mathematik & Naturwissenschaften (W-MANA)
Besuchspflichtmodul für Data Science STD_24 (VR)
Bemerkungen:

Weiterführende Literatur:

•    Sachs, M. Wahrscheinlichkeitsrechnung und Statistik: für Ingenieurstudenten an Fachhochschulen. Leipzig: Hanser.

•    Franz Kronthaler. Angewandte Statistik für Wirtschafts-ingenieure. Ergänzungen.Springer Spektrum.

Modulbewertung:
Note von 1 - 6

Leistungsnachweise und deren Gewichtung

Während der Unterrichtsphase:

Erarbeitung und Präsentation eines Themas aus einer gegebenen Liste von Theorieblöcken gemäss Lehrplan, 15-20', 30%, Einzelarbeit

 

Individuelles Datenprojekt (Exploratory Data Analysis, EDA). Bewertet wird die Präsentation 20-30' des Projekts, 70%, Einzelarbeit

Bewertungsart:
Note von 1 - 6
Gewichtung:

30% Präsentation

70% Individuelles Datenprojekt

Bemerkungen:

Das Modul wird aktuell überarbeitet (und dabei u.a. auf die Nutzung von Python umgestellt). 
Prüfungsmodalitäten und Inhalte können sich noch ändern.

Inhalte

Angestrebte Lernergebnisse (Abschlusskompetenzen):

Fachkompetenzen:

Die Teilnehmenden:

• 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.

 

Modul- und Lerninhalt:

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)