Zur JKU Startseite
Institut für Angewandte Statistik
Was ist das?

Institute, Schools und andere Einrichtungen oder Angebote haben einen Webauftritt mit eigenen Inhalten und Menüs.

Um die Navigation zu erleichtern, ist hier erkennbar, wo man sich gerade befindet.

Suche
English, switch language
Zur JKU Startseite

Bachelorarbeiten

Die Bachelorarbeit wird im Rahmen der LV Seminar aus Statistik und Data Science, öffnet eine externe URL in einem neuen Fenster verfasst.

Folgende betreuende Personen vergeben Bachelor- und Masterarbeiten aus den jeweilig angeführten Bereichen (oder anderen auf Anfrage) und fungieren als PrüferInnen bei Bachelor- und Masterprüfungen:

Bitto-Nemling

Zeitreihenanalyse, Computational Statistics, Bayesian Neural Networks, Statistical Machine Learning, MCMC Methoden

Duller:

Nichtparametrische Verfahren

Futschik:

Modellierung hochdimensionaler Daten, Approximative Inferenz, Biostatistik & Modellierung von Genomdaten

Hainy:

Computerintensive Methoden, Bayes-Statistik, Supervised Learning

Müller:

Versuchsplanung, Ökonometrie, räumliche Statistik
Muszynska-Spielauer

Population Health and Mortality

Quatember:

Survey-Statistik und verwandte Themen
Reichl:, öffnet eine externe URL in einem neuen Fenster

Panel-Daten-Analyse

Wagner:

Zeitreihenanalyse, Analyse von Längsschnittdaten, Lebensdaueranalyse, Bayes-Statistik, Medizinische Statistik
Waldl:

(Verallgemeinerte) lineare Modelle, Faktorenanalyse
   

Derzeit wird die Betreuung von Bachelorarbeiten zu unter anderem folgenden Themen angeboten:

Duller:

• Nichtparametrische Permutationstests
• Nichtparametrische Tests für Umbrella-Alternativen
• Digitales Lernen: Nichtparametrische Statistik
• Digitales Lernen: Grundlagen der Statistik

Futschik:

• Auswirkungen der Verletzung von Modellannahmen auf statistische Methoden
• Wahrscheinlichkeitsrechnung in Bildern: Visualisierung wichtiger Resultate aus der Wahrscheinlichkeitsrechnung
Hainy:

• Vergleich sequentieller Versuchskriterien für Versuchsplanung bezüglich Modelldiskriminierung bei korrelierten Beobachtungen

• Auswirkung von Unterrichtszeit auf den Lernerfolg

Müller:

• Die Varianz des Stichprobenmedians
• Prävalenzschätzung von COVid-19 per Approximate Bayesian Computation
• Machine Learning mit OfficeCalc
• Gegenbeispiele zum zentralen Grenzwertsatz
• Analyse von wordle.at Strategien
Muszynska-Spielauer

• Secular change in the gender health-survival paradox
• Educational differences in the age of premature mortality

Quatember:

• Indirekte Befragungsdesigns bei sensitiven Themen
• Diskussion von Papers zu verschiedenen anderen Themen aus dem Bereich der Survey-Statistik
Reichl:, öffnet eine externe URL in einem neuen Fenster

• Analyse von hochfrequenten Stromverbrauchsdaten

• Analyse von multinationalen Haushaltsumfragen
Wagner:

• Schätzung von heterogenen Behandlungseffekten mittels Propensity Score Matching
• Praktische Analyse von FMRI-Daten in R
• Statistische Inferenz für FMRI Daten
• Bayesianische Verfahren zur Meta-Analyse
• Metaregression
• Analyse von kompositionalen Daten
Waldl:

• Konfirmatorische Faktorenanalyse und Strukturgleichungsmodelle
• Bias-Variance-trade-off im allgemeinen Linearen Modell
• Double Generalized Linear Models
• Operationales Risiko: Verlustverteilung mit Monte Carlo Simulation (in Kooperation mit der Oberbank)

 

Hier findest du Information für die Bachelorarbeit. Die Vorlage für das Layout der Bachelorarbeiten findest du hier unten.

Zwei sehr gute Bachelorarbeiten findest du hier:

Value-at-Risk (VaR) ist ein bedeutendes Instrument zur Risikoabschätzung bei Finanzzeitreihen. Seine Schätzung kann auf verschiedene Arten erfolgen. Eine Möglichkeit ist die Modellierung mit Hilfe von GARCH-Modellen und Copula-Funktionen, wobei es sich dabei um einen sehr flexiblen Ansatz handelt. Im Zuge dieser Bachelorarbeit wird die Copula-GARCH-Methode durch Anwendung auf die beiden Aktienindizes ATX und DAX mit herkömmlichen VaR-Schätzmethoden verglichen., öffnet eine Datei in einem neuen Fenster

Bei dieser Bachelorarbeit geht es darum eine Clusteranalyse eines phänotypischen Datensatzes durchzuführen, um durch „unsupervised learning“ eine Klassenstruktur zu erkennen. In der Arbeit werden zudem die Ergebnisse einer distanzbasierten Clusteranalyse, welche üblicherweise für solch eine Problemstellung verwendet wird, mit denen einer modellbasierten Clusteranalyse verglichen. Schlussendlich wurde die erzeugte Klassenstruktur verwendet, um zu überprüfen welche Gene eine signifikante Auswirkung auf die Fälligkeit bzw. Reife von Gerstenpflanzen haben., öffnet eine Datei in einem neuen Fenster

Zur JKU Startseite

Johannes Kepler Universität Linz

Altenberger Straße 69

4040 Linz, Österreich

Fax +43 732 2468 4929
Kontakt