Suchergebnis: Katalogdaten im Herbstsemester 2019
CAS in Angewandter Statistik  | ||||||
 Obligatorische Fächer | ||||||
| Nummer | Titel | Typ | ECTS | Umfang | Dozierende | |
|---|---|---|---|---|---|---|
| 447-0649-01L | Angewandte statistische Regression I  Nur für DAS und CAS in Angewandter Statistik. | O | 4 KP | 1V + 1U | M. Tanadini | |
| Kurzbeschreibung | Einfache und multiple lineare Regression. Praktische Aspekte bei der Durchführung und Interpretation. Residuenanalyse und Modellwahl. | |||||
| Lernziel | Verständnis des Modells der multiplen linearen Regression und seiner grundlegenden Bedeutung für die Modellierung und Vorhersage. Durchführung von Regressionsanalysen mit der Statistiksoftware R und korrekte Interpretation von Resultaten. Modellkritik mit Residuenanalyse. Strategien der Modellwahl. | |||||
| 447-0625-01L | Applied Analysis of Variance and Experimental Design I Nur für DAS und CAS in Angewandter Statistik. | O | 3 KP | 1V + 1U | L. Meier | |
| Kurzbeschreibung | Principles of experimental design, one-way analysis of variance, contrasts and multiple comparisons, multi-factor designs and analysis of variance, complete block designs, Latin square designs. | |||||
| Lernziel | Participants will be able to plan and analyze efficient experiments in the fields of natural sciences. They will gain practical experience by using the software R. | |||||
| Literatur | G. Oehlert: A First Course in Design and Analysis of Experiments, W.H. Freeman and Company, New York, 2000. | |||||
| Weitere Fächer | ||||||
| Nummer | Titel | Typ | ECTS | Umfang | Dozierende | |
| 447-0649-02L | Angewandte statistische Regression II Nur für DAS und CAS in Angewandter Statistik. | Z | 2 KP | 1V + 1U | J. Ernest | |
| Kurzbeschreibung | Verallgemeinerte lineare Modelle (GLMs) und Ausblick auf robuste Regression. | |||||
| Lernziel | Verständnis des Konzeptes und der Flexibilität von verallgemeinerten linearen Modellen und die korrekte Interpretation von entsprechenden Modelloutputs. | |||||
| 447-0625-02L | Applied Analysis of Variance and Experimental Design II Nur für DAS und CAS in Angewandter Statistik. | Z | 3 KP | 1V + 1U | L. Meier | |
| Kurzbeschreibung | Random effects and mixed effects models, split-plot designs, incomplete block designs, two-series factorials and fractional designs, power. | |||||
| Lernziel | Participants will be able to plan and analyze sophisticated experiments in the fields of natural sciences. They will gain practical experience by using the software R. | |||||
| Literatur | G. Oehlert: A First Course in Design and Analysis of Experiments, W.H. Freeman and Company, New York, 2000. | |||||
| 447-6221-00L | Nichtparametrische Regression Findet dieses Semester nicht statt. Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Kanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an kanzlei@ethz.ch. Die Kanzlei wird anschliessend die Belegung vornehmen. | W | 1 KP | 1G | ||
| Kurzbeschreibung | Fokus ist die nichtparametrische Schätzung von Wahrscheinlichkeitsdichten und Regressionsfunktionen. Diese neueren Methoden verzichten auf einschränkende Modellannahmen wie 'lineare Funktion'. Sie benötigen eine Gewichtsfunktion und einen Glättungsparameter. Schwerpunkt ist eine Dimension, mehrere Dimensionen und Stichproben von Kurven werden kurz behandelt. Übungen am Computer. | |||||
| Lernziel | Kenntnisse der Schätzung von Wahrscheinlichkeitsdichten und Regressionsfunktionen mittels verschiedener statistischer Methoden. Verständnis für die Wahl der Gewichtsfunktion und des Glättungsparameters, auch automatisch. Praktische Anwendung auf Datensätze am Computer. | |||||
| 447-6257-00L | Wiederholte Messungen Findet dieses Semester nicht statt. Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Kanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an kanzlei@ethz.ch. Die Kanzlei wird anschliessend die Belegung vornehmen. | W | 1 KP | 1G | ||
| Kurzbeschreibung | Entstehung und Strukturen von wiederholten Messungen. Planung und Durchführung entsprechender Studien. Within- und Between-sujects Faktoren. Häufige Kovarianz-Strukturen. Statistische Analysemethoden: Graphische Darstellung, Summary statistics approach, univariate und multivariate Varianzanalyse, gemischtes lineares Modell. | |||||
| Lernziel | Befähigung zur Erkennung und adäquaten statistischen Auswertung von wiederholten Messungen. Korrekter Umgang mit Pseudoreplikaten. | |||||
| Skript | Es wird ein Skript abgegeben. | |||||
| 447-6289-00L | Stichproben-Erhebungen Findet dieses Semester nicht statt. Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Kanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an kanzlei@ethz.ch. Die Kanzlei wird anschliessend die Belegung vornehmen. | W | 2 KP | 1G | ||
| Kurzbeschreibung | Die Elemente einer Stichproben-Erhebung werden erklärt. Die wichtigsten klassischen Stichprobenpläne (Einfach und geschichtete Zufallsstichprobe) mit ihren Schätzern sowie Schätzverfahren mit Hilfsinformationen und der Horvitz-Thompson Schätzer werden eingeführt. Datenaufbereitung, Antwortausfälle und deren Behandlung, Varianzschätzungen sowie Analysen von Stichprobendaten werden diskutiert. | |||||
| Lernziel | Kenntnis der Elemente und des Ablaufs einer Stichprobenerhebung. Verständnis für das Paradigma der Zufallsstichproben. Kenntnis der einfachen und geschichteten Stichproben-Strategien und Fähigkeit die entsprechenden Methoden anzuwenden. Kenntnis von weiterführenden Methoden für Schätzverfahren, Datenaufbereitung und Analysen. | |||||
| 447-6201-00L | Nonparametric and Resampling Methods Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Kanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an kanzlei@ethz.ch. Die Kanzlei wird anschliessend die Belegung vornehmen. | Z | 2 KP | 2G | L. Meier, D. Kuonen | |
| Kurzbeschreibung | Nonparametric tests, randomization tests, jackknife and bootstrap, as well as asymptotic properties of estimators. | |||||
| Lernziel | For classical parametric models there exist optimal statistical estimators and test statistics whose distributions can often be determined exactly. The methods covered in this course allow for finding statistical procedures for more general models and to derive exact or approximate distributions of complicated estimators and test statistics. | |||||
| Inhalt | Nonparametric tests, randomization tests, jackknife and bootstrap, as well as asymptotic properties of estimators. | |||||
| Voraussetzungen / Besonderes | This course is part of the programme for the certificate and diploma in Advanced Studies in Applied Statistics. It is given every second year in the winter semester break. | |||||
| 447-6233-00L | Spatial Statistics Findet dieses Semester nicht statt. Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Kanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an kanzlei@ethz.ch. Die Kanzlei wird anschliessend die Belegung vornehmen. | W | 1 KP | 1G | ||
| Kurzbeschreibung | In many research fields, spatially referenced data are collected. When analysing such data the focus is either on exploring their structure (dependence on explanatory variables, autocorrelation) and/or on spatial prediction. The course provides an introduction to geostatistical methods that are useful for such purposes. | |||||
| Lernziel | The course will provide an overview of the basic concepts and stochastic models that are commonly used to model spatial data. In addition, the participants will learn a number of geostatistical techniques and acquire some familiarity with software that is useful for analysing spatial data. | |||||
| Inhalt | After an introductory discussion of the types of problems and the kind of data that arise in environmental research, an introduction into linear geostatistics (models: stationary and intrinsic random processes, modelling large-scale spatial patterns by regression, modelling autocorrelation by variogram; kriging: mean-square prediction of spatial data) will be taught. The lectures will be complemented by data analyses that the participants have to do themselves. | |||||
| Skript | Slides, descriptions of the problems for the data analyses and worked-out solutions to them will be provided. | |||||
| Literatur | P.J. Diggle & P.J. Ribeiro Jr. 2007. Model-based Geostatistics. Springer | |||||
| 447-6245-00L | Data-Mining Findet dieses Semester nicht statt. Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Kanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an kanzlei@ethz.ch. Die Kanzlei wird anschliessend die Belegung vornehmen. | W | 1 KP | 1G | ||
| Kurzbeschreibung | Block über "Prognoseprobleme", bzw. "Supervised Learning" Teil 1, Klassifikation: logistische Regression, Lineare/Quadratische Diskriminanzanalyse, Bayes-Klassifikator; additive & Baummodelle, weitere flexible ("nichtparametrische") Methoden. Teil 2, Flexible Vorhersage: Additive Modelle, MARS, Y-Transformations-Modelle (ACE,AVAS); Projection Pursuit Regression (PPR), Neuronale Netze. | |||||
| Lernziel | ||||||
| Inhalt | Aus dem weiten Feld des "Data Mining" behandeln wir in diesem Block nur sogenannte "Prognoseprobleme", bzw. "Supervised Learning". Teil 1, Klassifikation, repetiert logistische Regression und Lineare / Quadratische Diskriminanzanalyse (LDA/QDA), und erweitert diese (im Rahmen des "Bayes-Klassifikators") auf (generalisierte) additive ("GAM") und Baummodelle ("CART"), und (summarisch/kurz) auf weitere flexible ("nichtparametrische") Methoden. Teil 2, Flexible Vorhersage (kontinuierliche oder Klassen-Zielvariable) umfasst Additive Modelle, MARS, Y-Transformations-Modelle (ACE, AVAS); Projection Pursuit Regression (PPR), Neuronale Netze. | |||||
| Skript | Grundlage des Kurses ist das Skript. | |||||
| Voraussetzungen / Besonderes | Die Uebungen werden ausschliesslich mit der (Free, open source) Software "R" (http://www.r-project.org) durchgeführt, womit am Schluss auch eine "Schnellübung" als Schlussprüfung stattfindet. | |||||
| 447-6273-00L | Bayes-Methoden Findet dieses Semester nicht statt. Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Kanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an kanzlei@ethz.ch. Die Kanzlei wird anschliessend die Belegung vornehmen. | W | 2 KP | 2G | ||
| Kurzbeschreibung | Bedingte Wahrscheinlichkeit; Bayes-Inferenz (konjugierte Verteilungen, HPD-Bereiche, lineare und empirische Verfahren), Bestimmung der a-posteriori Verteilung durch Simulation (Markov Chain Monte-Carlo mit R2Winbugs), Einführung in mehrstufige hierarchische Modelle. | |||||
| Lernziel | ||||||
| Inhalt | Die Bayes-Statistik ist deshalb attraktiv, da sie ermöglicht, Entscheidungen unter Ungewissheit zu treffen, wo die klassische frequentische Statistik versagt! Der Kurs vermittelt einen Einstieg in die Bayes-Statistik, ist mathematisch nur moderat anspruchsvoll, verlangt aber ein gewisses Umdenken, das nicht unterschätzt werden darf. | |||||
| Literatur | Gelman A., Carlin J.B., Stern H.S. and D.B. Rubin, Bayesian Data Analysis, Chapman and Hall, 2nd Edition, 2004. Kruschke, J.K., Doing Bayesian Data Analysis, Elsevier2011. | |||||
| Voraussetzungen / Besonderes | Voraussetzung: Statistische Grundkenntnisse ; Kenntnis von R. | |||||
| 447-6191-00L | Statistical Analysis of Financial Data Findet dieses Semester nicht statt. Fachstudierende "Universität Zürich (UZH)" im Master-Studiengang Biostatistik von der UZH können diese Lerneinheit nicht direkt in myStudies belegen. Leiten Sie die schriftliche Teilnahmebewilligung des Dozenten an die Kanzlei weiter. Als Einverständnis gilt auch ein direktes E-Mail des Dozenten an kanzlei@ethz.ch. Die Kanzlei wird anschliessend die Belegung vornehmen. | W | 2 KP | 1G | ||
| Kurzbeschreibung | Distributions for financial data. Volatility models: ARCH- and GARCH models. Value at risk and expected shortfall. Portfolio theory: minimum-variance portfolio, efficient frontier, Sharpe’s ratio. Factor models: capital asset pricing model, macroeconomic factor models, fundamental factor model. Copulas: Basic theory, Gaussian and t-copulas, archimedean copulas, calibration of copulas. | |||||
| Lernziel | Getting to know the typical properties of financial data and appropriate statistical models, incl. the corresponding functions in R. | |||||
Seite
1
von
1
