| Dozent/in |
Lukas Kauer, PhD |
| Veranstaltungsart |
Vorlesung/Übung |
| Code |
FS261044 |
| Semester |
Frühjahrssemester 2026 |
| Durchführender Fachbereich |
Gesundheitswissenschaften |
| Studienstufe |
Bachelor |
| Termin/e |
Do, 19.02.2026, 08:15 - 10:00 Uhr, HS 7
Do, 26.02.2026, 08:15 - 10:00 Uhr, HS 7
Do, 05.03.2026, 08:15 - 10:00 Uhr, HS 7
Do, 12.03.2026, 08:15 - 10:00 Uhr, HS 7
Do, 19.03.2026, 08:15 - 10:00 Uhr, HS 7
Do, 26.03.2026, 08:15 - 10:00 Uhr, HS 7
Do, 02.04.2026, 08:15 - 10:00 Uhr, HS 7
Do, 16.04.2026, 08:15 - 10:00 Uhr, HS 7
Do, 23.04.2026, 08:15 - 10:00 Uhr, HS 7
Do, 30.04.2026, 08:15 - 10:00 Uhr, HS 7
Do, 07.05.2026, 08:15 - 10:00 Uhr, HS 7
Do, 21.05.2026, 08:15 - 10:00 Uhr, HS 7
Do, 28.05.2026, 08:15 - 10:00 Uhr, HS 7
Mi, 10.06.2026, 09:00 - 10:30 Uhr, HS 1 (Prüfung) |
| Umfang |
4 Semesterwochenstunden |
| Inhalt |
Daten sind heute die wertvollste Ressource weltweit. Dieser Kurs bietet eine praxisorientierte Einführung in die grundlegenden Methoden der Datenanalyse. Die Studierenden lernen, wie sie mit verschiedenen Datensätzen umgehen, diese transformieren, visualisieren und analysieren können. Der Kurs deckt sowohl grundlegende statistische Methoden als auch fortgeschrittene Techniken zur Schätzung und Hypothesenprüfung ab.
Im ersten Teil des Kurses werden die Studierenden in die Datentransformation und -visualisierung eingeführt. Sie erfahren, wie man Rohdaten durch verschiedene Transformationen vorbereitet und bereinigt, um sie für die Analyse nutzbar zu machen (mit dem R package tidyverse). Anschliessend wird die Visualisierung von Daten behandelt, wobei sowohl grundlegende Diagramme als auch komplexere Darstellungen vorgestellt werden, um Muster und Zusammenhänge in den Daten zu erkennen (mit dem R package ggplot2).
Im zweiten Teil wird der Fokus auf statistische Analyseverfahren gelegt. Die Studierenden lernen, wie sie die Verteilungen von Variablen analysieren und interpretieren. Wichtige Themen wie die Schätzmethoden, einschliesslich der Schätzverteilung und der Berechnung von Konfidenzintervallen, werden behandelt. Dies führt zu einer vertieften Auseinandersetzung mit der Hypothesentestung, einschließlich der Durchführung von t-Tests und der Anwendung von parametrischen und nicht-parametrischen Tests. Den Abschluss bildet die Korrelationsanalyse, bei der die Studierenden lernen, wie sie Beziehungen zwischen Variablen untersuchen können. |
| Lernziele |
Nach erfolgreichem Abschluss dieses Kurses sollten die Studierenden in der Lage sein:
1. Daten zu transformieren und vorzubereiten: Sie können Rohdaten bereinigen und für die Analyse strukturieren. Dazu gehören Techniken wie das Filtern, Aggregieren und Umformatieren von Daten.
2. Daten zu visualisieren: Sie sind in der Lage, verschiedene Visualisierungstechniken anzuwenden, um Daten zu präsentieren und Muster, Trends sowie Zusammenhänge zwischen Variablen zu erkennen. Sie wissen welche Art von Diagramm zu verwenden ist, je nach Art der Variable(n).
3. Verteilungen von Variablen zu analysieren: Sie können die Verteilung von Variablen untersuchen und verstehen, wie diese mit den grundlegenden Annahmen der statistischen Analyse zusammenhängt.
4. Schätzmethoden anzuwenden: Sie verstehen das Konzept der Schätzverteilung und können Konfidenzintervalle berechnen, um die Unsicherheit von Schätzungen zu quantifizieren.
5. Hypothesen zu testen: Sie erlangen die Fähigkeit, Hypothesen zu formulieren und statistische Tests wie den t-Test durchzuführen, um zu prüfen, ob ihre Annahmen durch die Daten unterstützt werden.
6. Parametrische und nicht-parametrische Tests zu unterscheiden: Sie verstehen, wann parametrische Tests verwendet werden können und wann es notwendig ist, auf nicht-parametrische Verfahren auszuweichen.
7. Korrelationsanalysen zu interpretieren: Sie können die Stärke und Richtung von Beziehungen zwischen Variablen mittels Korrelationsanalyse beurteilen.
Der Kurs legt einen besonderen Fokus auf die praktische Anwendung dieser Methoden, sodass die Studierenden die Fähigkeiten erwerben, mit realen Datensätzen selbstständig zu arbeiten und fundierte statistische Entscheidungen zu treffen |
| Sprache |
Bilingue - Deutsch / Englisch |
| Anmeldung |
Moodle: https://elearning.hsm-unilu.ch/course/view.php?id=962
|
| Leistungsnachweis |
Schriftliche Prüfung: 90 Minuten
WICHTIG: Um Credits zu erwerben und an der Prüfung teilzunehmen, ist eine Anmeldung über Uni Portal innerhalb der Prüfungsanmeldefrist ZWINGEND erforderlich. Weitere Informationen: www.unilu.ch/studium/lehrveranstaltungen-pruefungen-reglemente/gmf/pruefungen/ |
| Abschlussform / Credits |
Schriftliche Prüfung / 6 Credits
|
| Hinweise |
Lehrmethoden:
Wöchentliche Vorlesung mit begleiteten Tutoraten in Gruppen |
| Hörer-/innen |
Nein |
| Kontakt |
lukas.kauer@unilu.ch |
| Material |
Wird auf Moodle zur Verfügung gestellt.
Podcast von der Vorlesung wird zur Verfügung gestellt. |
| Literatur |
Békés, G & G. Kézdi (2021) Data Analysis for Business, Economics, and Policy, Cambridge.
Brown, D.S. (2022) Statistics and Data Visualization Using R – The Art and Practice of Data Analysis, Sage.
Diez, D., Çetinkaya-Rundel, M., Barr, C.D. (2024) OpenIntro Statistics. https://leanpub.com/os
Eid, M., Gollwitzer, M., & Schmitt, M. (2017) Statistik und Forschungsmethoden. 5. Auflage. Beltz
Healy, K. (2018), Data Visualization: A Practical Introduction, Princeton University Press, socviz.co.
Mehmetoglu, M. & M. Mittner (2022) Applied Statistics Using R – A Guide for the Social Sciences, Sage.
Perry, L. (n.d.) Introduction to Statistics. Perry, L., bookdown.org
Phillips, N. D. (2018). YaRrr! The Pirate’s Guide to R. https://bookdown.org/ndphillips/YaRrr/.
Sauer, S. Moderne Datenanalyse mit R: Daten einlesen, aufbereiten, visualisieren, modellieren und kommunizieren. (Springer-Verlag, n.d.). |