Angewandte Statistik für Bioverfahrenstechnik

Fakult?t

Fakult?t Agrarwissenschaften und Landschaftsarchitektur (AuL)

Version

Version 1 vom 20.11.2023.

Modulkennung

44B0567

Niveaustufe

Bachelor

Unterrichtssprache

Deutsch

ECTS-Leistungspunkte und Benotung

5.0

H?ufigkeit des Angebots des Moduls

nur Sommersemester

Dauer des Moduls

1 Semester

 

 

Kurzbeschreibung

In der Agrarwirtschaft und Ingenieurwissenschaften werden vielen Prozesse und Ph?nomene durch statistische Modelle beschrieben. Verfahrenstechnik, Qualit?tssicherung und Marketing sind wesentlich getragen durch eine statistische Analyse von Daten. In dem Modul “Angewandte Statistik für Bioverfahrenstechnik” lernen Studierende die Grundlagen für das sp?tere wissenschaftliche und angewandte Arbeiten. Das Modul vermittelt die dafür notwendigen statistischen Grundkenntnisse. Der Fokus liegt hier auf der Darstellung, Erfahrung und ersten statistischen Auswertungen von Daten. Wissenschaftliche Forschung und Erkenntnisgewinn wird hierbei in den Kontext der Erhebung von Daten gesetzt. Die für die Agrarwirtschaft und Ingenieurwissenschaften relevanten statistischen Verfahren und Modellierungen werden dargestellt und diskutiert. Eine auf Daten gestützte Risikoabsch?tzung von Entscheidungen wird eingeübt. Parallel dazu werden in dem Modul die erworbenen theoretischen, statistischen Kenntnisse durch die Einführung in die Programmierung in R für die Studierenden umsetzbar und erfahrbar gemacht. In dem Modul “Angewandte Statistik für Bioverfahrenstechnik” werden somit die ersten Grundkenntnisse für die praktische Anwendung der Bio Data Science erworben.

Lehr-Lerninhalte

Statistischer Anteil

  • Einführung in die explorative Datenanalyse und deren statistischen Ma?zahlen.
  • Einführung in das statistische Testen sowie der Testtheorie mit dem Prüfen von statistischen Hypothesen beinhaltend p-Wert und die 95% Konfidenzintervalle.
  • Berechnung des Student-, Welch- und gepaarten t-Test.
  • Einführung in die Varianzanalyse beinhaltend die einfaktorielle sowie zweifaktorielle ANOVA.
  • Grundlagen des nicht-parametrischen Tests beinhaltend Wilcoxon-Mann-Whitney-Test sowie Kruskal-Wallis-Test.
  • Grundlagen der simplen linearen Regression und der multiplen linearen Regression sowie deren statistischen Ma?zahlen der Modellgüte am Beispiel eines normalverteilten Endpunkts.
  • Diagnostischen Testen und deren statistischen Ma?zahlen.
  • Chi-Quadrat-Test für eine Vierfeldertafel.
  • Einführung in das multiple Testen von mehreren Mittelwerten und die Darstellung im compact letter display.

Informatorischer Anteil

  • Einführung in die Grundlagen der Programmierung in R anhand von Skalenarten.
  • Einführung in die Darstellung von Daten in R und die Vorstellung des Konzepts der “tidy data”.
  • Konzept von Objekten, Funktionen sowie Pipen und der Vorstellung des tidyverse in R.
  • Einlesen von Daten und deren Bearbeitung sowie Visualisierung in R.
  • Durchführung der g?ngigen statistischen Tests und die Interpretierung der jeweiligen R Ausgaben.

Gesamtarbeitsaufwand

Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").

Lehr- und Lernformen
Dozentengebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
40VorlesungPr?senz oder Online-
20?bungPr?senz oder Online-
Dozentenungebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
55Veranstaltungsvor- und -nachbereitung-
20Literaturstudium-
15Prüfungsvorbereitung-
Benotete Prüfungsleistung
  • Klausur
Prüfungsdauer und Prüfungsumfang

Klausur, 2-stündig

Empfohlene Vorkenntnisse

Keine. Es handelt sich um ein Grundlagenmodul.

Wissensverbreiterung

Statistischer Anteil

  • Die Studierenden sind in der Lage verschiedene Daten und Datenstrukturen zu erkennen und zu benennen.
  • Die Studierenden k?nnen explorative Abbildungen erkennen und benennen.
  • Die Studierenden k?nnen verschiedene statistische Tests h?ndisch durchführen.


Informatorischer Anteil

  • Die Studierenden k?nnen die Anforderungen an einen Datensatz zur Verwendung in R benennen.
  • Die Studierenden k?nnen in R Objekte, Funktionen und Zahlenvektoren unterscheiden und kennen die g?ngigen Operatoren in R.
  • Die Studierenden k?nnen den Ablauf für die Erstellung einer explorativen Datenanalyse in R beschreiben.
  • Die Studierenden sind in der Lage aus englischen Internetquellen eine L?sung für ein R Problem einzugrenzen.

Wissensvertiefung

Statistischer Anteil

  • Die Studierenden k?nnen explorative Abbildungen erstellen und interpretieren.
  • Die Studierenden k?nnen aus explorative Abbildungen die entsprechende Datenstruktur zur Erstellung der Abbildungen wiedergeben.
  • Die Studierenden sind in der Lage anhand eines statistisches Tests eine Entscheidung zu treffen.
  • Die Studierenden k?nnen das Ergebnis eines statistischen Test im Kontext der wissenschaftlichen Fragestellung interpretieren.


Informatorischer Anteil

  • Die Studierenden sind in der Lage experimentelle Daten nach dem Konzept der der “tidy data” zu erheben.
  • Die Studierenden sind in der Lage die Ausgabe eines statistischen Test in R zu interpretieren.
  • Die Studierenden k?nnen einfache Auswahl- und Filterregeln auf Datens?tze in R anwenden.
  • Die Studierenden k?nnen erste einfache R Code Bl?cke miteinander in einen Kontext setzen.

Wissensverst?ndnis

Statistischer Anteil

  • Die Studierenden k?nnen einen statistischen Test mit einer explorativen Datenanalyse in einen Kontext bringen.

Informatorischer Anteil

  • Die Studierenden sind in der Lage eine einfache statistische Auswertung mit den notwendigen Funktionen und Paketen in R zu skizzieren.

Nutzung und Transfer

Die Studierenden sind in der Lage einfache lineare Kosten- und Nutzenabsch?tzungen anhand von statistischen Modellen durchzuführen. Diese einfachen Absch?tzungen umfassen die Planung von marktwirtschaftlichen, technischen und biologischen Prozesses in der Agrarwirtschaft und Ingenieurwissenschaften. Die Studierenden k?nnen dabei externe Literaturquellen und deren statistischen Ma?zahlen in den Kontext des eigenen Berufsfeld setzen und aus verschiedenen, wissenschaftlichen Quellen erste informierte Vorentscheidungen treffen. Die Studierenden sind in der Lage die grundlegenden Konzepte der Programmierung in R in anderen Programmiersprachen zuerkennen.

Wissenschaftliche Innovation

Die Studierende k?nnen statistische Ma?zahlen aus wissenschaftlichen Publikationen in andere wissenschaftliche Kontexte einordnen. Die Studierenden kennen die Grundlagen des wissenschaftlichen Arbeitens anhand von Fallbeispielen. Die Studierenden k?nnen explorative Abbildungen aus Ver?ffentlichungen verstehen und erste informierte Forschungsideen entwickeln. Die Studierenden sind in der Lage bei der Erstellung von Daten aus Experimenten die Verwertbarkeit in R zu berücksichtigen.

Kommunikation und Kooperation

Die Studierenden sind in der Lage durch das Konzept von “tidy data” erhobene Daten mit anderen Forschenden zu teilen. Ebenfalls sind die Studierenden in der Lage g?ngige statistische Ma?zahlen zu erkennen und zu berichten. Die Studierenden k?nnen R Code lesen, erstellen und demonstrieren.

Wissenschaftliches Selbstverst?ndnis / Professionalit?t

Keine. Es handelt sich um ein Grundlagenmodul.

Literatur

  • Das Skript des Statistik- und Programmierteil des Moduls unter jkruppa.github.io
  • Teile des Skripts als Video unter www.youtube.com/c/JochenKruppa
  • Dormann, Carsten F. Parametrische Statistik. Springer Berlin Heidelberg, 2013.
  • Wickham, Hadley, and Garrett Grolemund. R for data science: import, tidy, transform, visualize, and model data. O'Reilly Media, Inc., 2016. r4ds.had.co.nz

Zusammenhang mit anderen Modulen

Das Modul "Angewandte Statistik für Bioverfahrenstechnik" bereitet zudem auf weiterführende Module aus verschiedenen Themenbereichen vor. Zu diesen Themenbereichen geh?ren insbesondere

  • Produktionssystem Pflanze (44B0261)
  • Einführung in die Pflanzenzüchtung (44B0112)
  • Messen, Regeln und Auswerten in der Biosystemtechnik (44B0549)

Welche nachfolgenden Module konkret in Frage kommen, h?ngt von den einzelnen Studieng?ngen ab. N?here Informationen hierzu bietet der Studienverlaufsplan in der jeweils gültigen Studienordnung.

Verwendbarkeit nach Studieng?ngen

  • Bioverfahrenstechnik in Agrar- und Lebensmittelwirtschaft
    • Bioverfahrenstechnik in Agrar- und Lebensmittelwirtschaft B.Sc. (01.09.2018)

  • Bioverfahrenstechnik in der Lebensmittelindustrie
    • Bioverfahrenstechnik in der Lebensmittelindustrie B.Sc. (01.09.2025)

  • ?kotrophologie
    • ?kotrophologie B.Sc. (01.09.2025)

    Modulpromotor*in
    • Kruppa-Scheetz, Jochen
    Lehrende
    • Kruppa-Scheetz, Jochen