NWNR100015 Statistik und Data Science Übungen (LBT)

Art
prüfungsimmanente Lehrveranstaltung
Semesterstunden
3
Vortragende/r (Mitwirkende/r)
Steiner, Nora Anais , Kellner, Maximilian , Pils, Vera , Kochmann, Sven , Ndongala, Tracy , Scharl-Hirsch, Theresa , Ferring, Clara
Organisation
Statistik
Angeboten im Semester
Sommersemester 2026
Unterrichts-/ Lehrsprachen
Deutsch
Lehrinhalt

Die Übungen werden parallel zur Vorlesung NWNR100014 Statistik und Data Science abgehalten. Sie dienen zur praktischen Unterweisung und Ergänzung der in der Vorlesung besprochenen Inhalte anhand von detailliert ausgearbeiteten Beispielen, die von den Vortragenden in "verdaubaren" Schritten diskutiert werden. Zusätzliche werden die in der Vorlesung vorgestellten statistischen Methoden anhand von Online-Übungs- und EDV-Beispielen angewendet.
Im Data Science Teil geht es um
‐ Grundlagen des Programmierens (mit R Studio), Computational Thinking
‐ Datengewinnung am Beispiel verschiedener Datenquellen und Datentypen in Abstimmung mit angewandten Modulen des Studienganges LBT
‐ Datenaufbereitung
‐ Datenvisualisierung und Interpretation
‐ Erstellung einfacher wissenschaftlicher Berichte
‐ Data Journalism (Daten einfach verständlich erklären und als Seminararbeit in Form eines Mini‐Artikels mit ausgewählter Grafik darstellen)
Inhaltliche Voraussetzungen (erwartete Kenntnisse)

mathematische Grundkenntnisse
Lehrziel

Die Studierenden sollen die in der Vorlesung behandelten statistischen Methoden anhand konkreter Beispiele anwenden, die gegebenen Datensätze statistisch (auch unter Zuhilfenahme von Statistik-Software) auswerten und die Ergebnisse schließlich korrekt interpretieren.

Kenntnisse:
Die Studierenden können wichtige Datenquellen beschreiben, können deren grundlegende Datenstrukturen erklären, und können skizzieren, wie sie diese für die Datenanalyse effizient erschließen, aufbereiten, strukturieren und auswerten können. Sie können grundlegende Programmstrukturen beschreiben und wissen diese für die Datenaufbereitung, Analyse und Visualisierung anzuwenden. Sie sind imstande, den Prozess der Analyse und Dokumentation fachlich korrekt zu beschreiben.

Fertigkeiten:
Sie können einfache Programme und Algorithmen in der Sprache R erstellen. Damit sind sie imstande auch größere Datenstrukturen zu importieren, aufzubereiten, zu analysieren, visualisieren und zu dokumentieren.

Fachliche / berufliche Kompetenzen:
Sie sind in der Lage das erforderliche Datenmaterial selbständig und statistisch sinnvoll zu sammeln, aufzubereiten, und die Analysen hinsichtlich der verwendeten Algorithmen, Methoden und der Ergebnisse wissenschaftlich korrekt zu dokumentieren.

Persönliche Kompetenzen:
Für Lai*innen verständlich kommunizieren können.
Noch mehr Informationen zur Lehrveranstaltung, wie Termine oder Informationen zu Prüfungen, usw. finden Sie auf der Lehrveranstaltungsseite in BOKUonline.