Skip to Main Content
Sign In
Methodological Competence
  • Reproduce the contents of software engineering and programming cases
  • describe various problems and the appropriate solutions as encountered in the cases
  • explain the differences and similarities of various methods of software engineering by means of case studies
  • explain the differences and similarities of relational and object-oriented approaches to modeling using case studies
  • explain the differences and similarities of various data and control structures of programming
  • Solve case studies with the help of the learned concepts and methods
  • Apply IDE and CASE tools
  • analyze complex issues and identify appropriate concepts and methods for their solution
  • Create simple object-oriented programs (e.g., in the learning environments Scratch or Greenfoot)
  • Apply best practices (e.g., design patterns, CASE tools, quality factors)
Professional Competence
  • list methods of software engineering (e.g., waterfall model, agile methods)
  • list relational and object-oriented approaches to modeling (e.g., ERM, UML)
  • understand the elements of different modeling languages (e.g., ERM, UML)
  • understand key concepts of SQL
  • understand key concepts of object-oriented programming (e.g., classes, attributes, methods, relationships, inheritance)
  • create data and system models (e.g., ERM, UML)
  • perform normalization of database tables
  • write queries in SQL
  • write simple object-oriented programs
  • compare and contrast key programming structures (e.g., data structures, control structures)
  • identify best practices of software engineering and programming (e.g., design patterns, quality factors)
  • design object-oriented applications by applying the methods learned
  • choose appropriate methods for given tasks
Personal Competence
-
Social Competence
  • nehmen Argumente von Mitstudierenden wahr und auf
  • arbeiten in Gruppen gemeinsam an der Lösung kleiner Fallbeispiele
  • beurteilen die Lösungen von Kollegen, bewerten diese relativ zur eigenen Lösung
  • nehmen neue oder alternative Lösungsansätze auf und verknüpfen diese mit eigenen Ansätzen
  • vertreten und verteidigen die eigene Lösung im Lichte von Kritik
Methodological Competence
  • kennen die wesentlichen Bestandteile und den Ablauf einer Case Study Methode
  • können die Case Study Methode auf konkrete Fallbeispiele aus dem strategischen Bereich anwenden
  • können strategische Analysen durchführen
  • sind in der Lage, strategische Ergebnisse zu verdichten und zu einer systematischen Strategieformulierung umzusetzen
  • sind in der Lage, verschiedene strategische Optionen zu bewerten
Professional Competence
  • kennen die wichtigsten Instrumente sowie den Prozess des strategischen Managements und Risikomanagements
  • verstehen die wesentlichen Erfolgsfaktoren des strategischen Managements
wenden Instrumente des strategischen Managements korrekt an
  • können diese Instrumente mit Prozessen des strategischen Lernens verbinden und dabei zwischen verschiedenen Lernstufen unterscheiden.
  • Die Studierenden sind in der Lage, eine konsistente strategische Konzeption zu erstellen und strategische Ziele zu formulieren.
  • bewerten Strategien und beurteilen deren Eignung in unterschiedlichen Situationen
Personal Competence
  • verinnerlichen den Einsatz üblicher Lern- und Arbeitstechniken auf abstrakte Inhalte, um sich Wissen selbstständig zu erarbeiten.
Social Competence
  • arbeiten zum Beispiel beim Lösen von Hausaufgaben oder bei der Vorbereitung auf die Modulschlussprüfung zusammen.
  • formulieren die Erkenntnisse aus der Analyse empirischer Daten mit dem bereitgestellten Fachvokabular, um den Grad der (Un-) Sicherheit der Schlussfolgerung korrekt widerzugeben.
  • sind in der Lage, in einem wissenschaftlichen Umfeld rational und kontrovers zu argumentieren, sowie verschiedene Perspektiven zu beziehen.
Methodological Competence
  • kennen die zentralen statistischen Techniken, welche in vielen wirtschaftlichen Anwendungen eingesetzt werden.
  • verstehen die Bedeutung statistischer Fachbegriffe.
  • können die behandelten Konzepte zielgerichtet anwenden, die so gewonnenen Resultate im Kontext deuten und statistische Aussagen korrekt formulieren.
  • setzen einfache Grundbefehle der Software R ein, um Daten graphisch und numerisch zu analysieren.
  • üben, Lern- und Arbeitstechniken auf abstrakte Inhalte anzuwenden, so dass sie an die selbstständige Erarbeitung von Wissen aus wissenschaftlichen Publikationen herangeführt werden.
  • analysieren Daten, um wirtschaftlich relevante Entscheidungen zu begründen.
  • können wirtschaftliche Situationen mit Hilfe wahrscheinlichkeitstheoretischer Methoden analysieren.
  • können die Aussagekraft statistischer, wahrscheinlichkeitstheoretischer Resultate im Zusammenhang mit der Planung wirtschaftlicher Tätigkeiten kritisch prüfen.
  • argumentieren in ihren Aussagen präzise und rational.
  • bauen Fähigkeiten auf, in einem wissenschaftlichen Umfeld rational zu argumentieren.
  • können die Relevanz statistischer Ergebnisse kritisch hinterfragen.
  • beurteilen Argumente kritisch in Bezug auf deren Stichhaltigkeit.
  • ordnen die (Un-) Sicherheiten statistischer Aussagen korrekt ein.
Professional Competence
  • wissen, welche Rolle Quantile, Varianzen bzw. Standardabweichungen und Korrelationen bei der Messung von Risiken spielen.
  • kennen die Axiome eines diskreten Wahrscheinlichkeitsraumes.
  • kennen die wichtigsten Verteilungen und ihre Eigenschaften.
  • kennen die Bedeutung der wichtigsten Grenzwertsätze - insbesondere des zentralen Grenzwertsatzes.
  • können uni- und bivariate Daten dem Skalenniveau entsprechend durch Kennzahlen und graphische Darstellungen beschreiben.
  • können die Bedeutung der Axiome eines diskreten Wahrscheinlichkeitsraumes bei der Modellierung eines Zufallsexperimentes erläutern.
  • können die Bedeutung einer Wahrscheinlichkeit an Hand des Gesetzes der grossen Zahlen im Sinne einer relativen Häufigkeit deuten.
  • können erläutern, wann und warum welche Verteilung zur Modellierung einer wirtschaftlichen Situation herangezogen werden kann.
  • können die Grundidee beim Testen von Hypothesen erläutern und die möglichen Fehlerquellen benennen.
  • können die Grundideen der wichtigsten Tests erläutern.
  • können das Vorgehen zur Berechnung der kritischen Werte beim Binomialtest und der Höhe des Fehlers eingehend erläutern.
  • können die Bedeutung von Konfidenzintervallen darlegen und ihren Zusammenhang mit dem Testen von Hypothesen aufzeigen.
  • können das Prinzip der kleinsten Quadrate einsetzen, um eine Regressionsanpassung auszuführen.
  • können eine einfache lineare Regression ausführen und die einhergehende ANOVA-Tabelle sowie Residuenplots erstellen.
  • können Wahrscheinlichkeiten an Hand der Additionssätze, der Pfadregeln und mit kombinatorischen Mitteln berechnen.
  • können im Zusammenhang mit dem Satz von Bayes die einhergehenden Resultate Fachpersonen und Laien korrekt verdeutlichen.
  • können diese (wichtigsten) Grenzwertsätze zur Approximation von Verteilungen und Wahrscheinlichkeiten einsetzen.
  • können die Rechenregeln für Erwartungswerte und Varianzen korrekt anwenden und ihre Bedeutung im Zusammenhang mit der Risikobewertung erläutern.
  • können die kritischen Werte beim Binomialtest und die daraus resultierende Höhe des Fehlers zweiter Art berechnen.
  • können die einhergehenden Teststatistiken der wichtigsten Tests berechnen, die kritischen Werte aus den üblichen Tabellen ablesen und das Ergebnis in korrekter Weise formulieren.
  • können in den wichtigsten Situationen Konfindenzintervalle an Hand der korrekt zu Grunde gelegten Verteilung berechnen und ihre Bedeutung im Sinne der Schliessenden Statistik korrekt deuten.
  • können Kennzahlen wie Quantile, Varianzen bzw. Standardabweichungen, Korrelationen, Schiefe und Kurtosis korrekt deuten sowie ihre Vor- und Nachteile erläutern.
  • setzen das Fachvokabular zur Beschreibung statistischer Graphiken korrekt ein und berücksichtigen bei der Interpretation von so aufbereitetem Datenmaterial die Vor- und Nachteile der zusammenfassenden Darstellungsarten.
  • können beurteilen, wie gewonnene Resultate zu interpretieren sind, welche Schlussfolgerungen aus Daten mit welcher Sicherheit gezogen werden dürfen, wie statistische Aussagen zu formulieren und zu bewerten sind, wann welche statistische Methode mit welchen Vor- und Nachteilen eingesetzt werden kann und wie statistische Konzepte zur Messung von Risiken beitragen.
  • können die Ergebnisse der linearen Regression in Bezug auf ihre Relevanz korrekt einordnen.
  • können die Resultate beim Testen von Hypothesen in Bezug auf den Grad ihrer Sicherheit bzw. Unsicherheit korrekt deuten bzw. beurteilen.
Subscribe to