Bachelorarbeiten

Die Bachelorarbeit wird im Rahmen der LV Seminar aus Statistik verfasst.

Die formale Betreuung erfolgt durch den/die Leiter/in des Seminars.
Die inhaltliche Betreuung kann jedes Mitglied des IFAS mit Doktorat übernehmen.

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

Duller:	Nichtparametrische Verfahren
Futschik:	Modellierung hochdimensionaler Daten, Approximative Inferenz, Biostatistik & Modellierung von Genomdaten
Grün:	Computerintensive Methoden, Clusteranalyse
Müller:	Versuchsplanung, Ökonometrie, räumliche Statistik
Quatember:	Datenqualität in Stichprobenerhebungen (Stichprobentheorie, Befragungsdesigns)
Stehlík:	Risikomanagement, Versuchsplanung, Pensionssysteme
Wagner:	Zeitreihenanalyse, Analyse von Längsschnittdaten, Lebensdaueranalyse, Bayes-Statistik
Waldl:	(Verallgemeinerte) lineare Modelle, Faktorenanalyse

Eine Liste aller bisher am IFAS abgefassten Bachelorarbeiten findest Du hier:

Hier findest Du Information für die Bachelorarbeit. Die Vorlage für das Layout der Bachelorarbeiten findest Du hier unten oder wird auf Anfrage im Seminar aus Statistik zur Verfügung gestellt (via KUSSS).

Zwei sehr gute Bachelorarbeiten findest Du hier:

Magdalena Leitner: Portfolio-VaR-Schätzung mittels bedingter Compula-GARCH Methode

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.

Daniel Dober: Distanz- und modellbasiertes Clustern eines phänotypischen Datensatzes

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.