Modulverantwortlicher: Prof. Dr. Thorsten Staake

Inhalte:
Der Kurs bietet eine Einführung in die beschreibende und schließende Statistik und vermittelt neben
statistischen Grundlagen auch Kompetenzen zur Datenanalyse mit der Statistik-Software R. Das
vermittelte Wissen und die Anwendungskompetenzen bilden die Grundlagen z.B. für empirisch-
quantitative Analysen und Theorieentwicklung, für das Data-Mining und für die Entwicklung bzw.
Bewertungen von maschinellen Lernverfahren und KI-Systemen. Zahlreiche Phänomene werden anhand
realer Daten illustriert und die vermittelten Methoden auf Daten zu aktuellen Fragestellungen angewendet.

Lernziele/Kompetenzen:
Nach erfolgreichem Abschluss des Kurses sollen Teilnehmerinnen und Teilnehmer in der Lage sein,
1. den Begriff Wahrscheinlichkeit und seine mathematische Umsetzung an einem Beispiel zu beschreiben
und zu erläutern,
2. die Bedeutung des Gesetzes der großen Zahlen und des zentralen Grenzwertsatzes der Statistik zu
schildern,
3. Konzepte zur Konstruktion von Schätzern (Maximum Likelihood Schätzung, Konfidenzintervall) und
Hypothesentests an einem Beispiel zu beschreiben und zu erläutern,
4. angemessene Kennzahlen und Verfahren zur Charakterisierung von empirischen Daten auszuwählen
und zu berechnen,
5. den Umgang mit grundlegenden diskreten und stetigen Verteilungen zu beherrschen und sie in
einfachen Kontexten umzusetzen,
6. zur Analyse univariater Daten Parameterschätzungen und Hypothesentests anzuwenden und deren
Ergebnisse zu interpretieren,
7. das Konzept der statistischen Signifikanz sowie deren Implikationen an einem Beispiel zu beschreiben
und zu erläutern,
8. für wichtige Verfahren (t-Tests, Regressionen) Anforderungen an die Daten benennen und Datensätze
hinsichtlich dieser Anforderungen zu untersuchen,
9. die Beziehung zwischen einer oder mehreren unabhängigen Variablen und einer abhängigen Variablen
in einfachen Kontexten mithilfe von linearen Regressionsanalysen zu modellieren, die Ergebnisse zu
interpretieren und die Passung der Modelle zu bewerten und
10. mithilfe einer Programmiersprache Daten aufzubereiten und zu analysieren, einfache Modelle zu
definieren und deren Parameter zu schätzen und die Ergebnisse zu visualisieren.

Organisatorisches:

• 9 ECTS / 270 h
• Zulassungsvoraussetzung für die Belegung des Moduls: keine
• Empfohlene Vorkenntnisse:
  - Gute Deutsch- und Englischkenntnisse
  - Statistik-, Kombinatorik- und Analysis-Kenntnisse auf Abiturniveau
  - Grundlegende Fertigkeiten in funktionaler Programmierung
• Angebotshäufigkeit: SS
• Lehrformen: Vorlesung und Übung - 6,00 SWS
• Sprache: Deutsch
• Schriftliche Prüfung (Klausur) / Prüfungsdauer: 90 Minuten