- Systematische Vertiefung und Erweiterung der im Bachelorstudium erlangten Kenntnisse und Fähigkeiten zur Mathematik
- Kennenlernen vertiefter Anwendungen der Mathematik, auch exemplarisch mit Projektcharakter
- Beherrschen wichtiger Verfahren und Algorithmen
- Fähigkeit zur Anwendung durch Implementierung konkreter Probleme und durch Beherrschung der gängigen Software
- Beherrschen der Analyse und Komplexität von Algorithmen
- Erwerb direkt berufsbezogener inhaltlicher und prozessorientierter Kompetenzen

- Die Studierenden lernen die zentralen Konzepte, Argumente und Verfahren der explorativen Datenanalyse und der robusten Statistik kennen und können diese in R anwenden.

- Querverbindungen: mat315, mat330, mat350, mat525, mat530

als Obermenge zu verstehen; Akzentuierung durch Dozent möglich:
– Konzepte der graphischen Datenanalyse
– Konzepte der interaktiven Datenanalyse
– Begriffe, Werkzeuge und Schlussweisen der robusten Statistik
– Umgebungen, Influenzkurve, Maxbiaskurve, Gross Error Sensitivity
– Bruchpunkt, Minimax-Ansätze, Robuste Optimalität
– Beispiele robuster Verfahren für Lokation, Skala, Kovarianzen, Regression
– auf robusten Verfahren basierende Diagnostik

Hampel, F.M., Ronchetti, E.M., Rousseeuw, P.J., Stahel, W.A.: Robust Statistics: the approach based on influence functions, Wiley.
Huber, P.J.: Robust Statistics, Wiley.
Rieder, H.: Robust Asymptotic Statistics, Springer.
Rousseeuw, P.J., Leroy A.M.: Robust regression and outlier detection, Wiley.
Tukey, J.W.: Exploratory Data Analysis 6.

Studienschwerpunkt: C

nach Ende der Vorlesungszeit

Klausur oder mündliche Prüfung oder Fachpraktische Übung (KMÜ)