311.230 (14S) Computational Statistics

Sommersemester 2014

Anmeldefrist abgelaufen.

Erster Termin der LV
05.03.2014 14:00 - 16:00 V.1.02 On Campus
... keine weiteren Termine bekannt

Überblick

Lehrende/r
LV-Titel englisch Computational Statistics
LV-Art Praktikum (prüfungsimmanente LV )
Semesterstunde/n 2.0
ECTS-Anrechnungspunkte 4.0
Anmeldungen 20 (25 max.)
Organisationseinheit
Unterrichtssprache Deutsch
LV-Beginn 01.03.2014

Zeit und Ort

Liste der Termine wird geladen...

LV-Beschreibung

Lehrmethodik inkl. Einsatz von eLearning-Tools

Vortrag + Übungen im R.

Inhalt/e

Themen

  • Grundlagen der Programmiersprache R.
  • Explorative Datenanalyse mit R.
  • Kerndichteschätzung.
  • Erzeugung von Zufallszahlen.
  • Monte Carlo Methoden und Maximum Likelihood.
  • Bootstrapping.
  • Scatter Plot Smoothing und Kernel Regression.

Lehrziel

Ziel der LV ist es, ausgewählte Methoden der computergestützten Statistik theoretisch zu verstehen und diese mit Hilfe der Statistiksoftware R anwenden zu können.

Erwartete Vorkenntnisse

Stochastik I.

Sonstige Studienbehelfe

Skriptum im Moodle.

Literatur

J.E. Gentle, W. Härdle und Y. Mori: Handbook of Computational Statistics. Springer, Berlin (2004). G.H. Givens und J.A. Hoeting: Computational Statistics. John Wiley & Sons, New York (2005). U. Ligges: Programmieren mit R. Springer, Berlin (2009). C.P. Robert und G. Casella: Introducing Monte Carlo Methods with R. Springer, New York (2010). J.S. Simonoff: Smoothing Methods in Statistics. Springer, New York (1996).

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Prüfungsinhalt/e

Projektarbeit und Themen der LV. Die Gesamtnote setzt sich zu 75% aus der Note der Projektarbeit und zu 25% aus der Note des mündl. Prüfungsgesprächs zusammen.

Beurteilungskriterien/-maßstäbe

Schriftliche Projektarbeit und mündliches Prüfungsgespräch (Anmeldung via Mail an Prüfungsleiter). Für eine positive Note müssen beide Prüfungsteile positiv abgeschlossen werden.

Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Diplom-Lehramtsstudium Unterrichtsfach Mathematik (SKZ: 406, Version: 04W.7)
    • 2.Abschnitt
      • Fach: Stochastik (LM 2.3.) (Pflichtfach)
        • Computational Statistics ( 2.0h PR / 2.0 ECTS)
          • 311.230 Computational Statistics (2.0h PR / 2.0 ECTS)
  • Bachelorstudium Informatik (SKZ: 521, Version: 09W.3)
    • Fach: Anwendungsfach Mathematik (Wahlfach)
      • Lehrveranstaltungen aus den Pflichtfächern des Bachelorstudiums Technische Mathematik ( 2.0h UE / 2.0 ECTS)
        • 311.230 Computational Statistics (2.0h PR / 2.0 ECTS)
  • Bachelorstudium Technische Mathematik (SKZ: 201, Version: 12W.2)
    • Fach: Angewandte Statistik (Wahlfach)
      • Computational Statistics ( 2.0h PR / 4.0 ECTS)
        • 311.230 Computational Statistics (2.0h PR / 4.0 ECTS)
  • Bachelorstudium Technische Mathematik und Datenanalyse (SKZ: 201, Version: 03W.3)
    • Fach: Stochastik (Pflichtfach)
      • Computational Statistics ( 2.0h PR / 4.0 ECTS)
        • 311.230 Computational Statistics (2.0h PR / 4.0 ECTS)

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Sommersemester 2024
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)
Sommersemester 2022
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)
Sommersemester 2020
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)
Sommersemester 2019
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)
Sommersemester 2018
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)
Sommersemester 2017
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)
Sommersemester 2016
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)
Sommersemester 2015
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)
Sommersemester 2013
  • 311.230 PR Computational Statistics (2.0h / 4.0ECTS)