Stand: 08.11.2026
Statistik und Data Analytics
- Hochschule:
- Universität Wien (Uni Wien)
Wien - Studienart:
- Masterstudium
- Studienkennzahl:
- 066/951
- Mindeststudiendauer:
- 4 Semester
- ECTS:
- 120
- Durchschnittsdauer:
- 7.7 Semester
- Studiengang:
- Link zum Studienganghttps://studieren.univie.ac.at/studium-finden/masterstudien/statistik-und-data-analytics-masterstudium
- Studienplan:
- Link zum Studienplanhttps://senat.univie.ac.at/fileadmin/user_upload/senat/Curricularkommission/Masterstudien/MA_Statistik_und_Data_Analytics.pdf
- Anmeldefrist:
Antragsfrist Studienjahr 2026/27:
Wintersemester 2026/27:
- Staatsangehörige eines Nicht-EU/EWR-Landes: 22.06.2026 - 03.08.2026
- Staatsangehörige eines EU/EWR-Landes oder der Schweiz: 22.06.2026 - 05.09.2026
Sommersemester 2027:
- Staatsangehörige eines Nicht-EU/EWR-Landes: 16.11.2026 - 07.01.2027
- Staatsangehörige eines EU/EWR-Landes oder der Schweiz: 16.11.2026 - 05.02.2027
- abweichende Fristen für Absolvent_innen fachgleicher Bachelorstudien an der Uni Wien
- Voraussetzungen:
- Gebühr:
€ 26,20 ÖH-Beitrag plus gegebenenfalls anfallende Studiengebühren im Umfang von €363,36 bzw. €726,72
- Studieninhalt:
- Das Studium vermittelt vertiefte Kenntnisse in mathematischer Statistik, Wahrscheinlichkeitstheorie und Datenanalyse. Die Studierenden lernen, komplexe statistische Modelle zu verstehen, zu entwickeln und auf unterschiedliche Fragestellungen anzuwenden. Ein besonders großer Schwerpunkt liegt auf den mathematischen Grundlagen statistischer Verfahren. Dabei werden auch theoretische Zusammenhänge, mathematische Beweise und die Bewertung statistischer Methoden behandelt.
- Ein weiterer wichtiger Schwerpunkt ist die statistische Inferenz. Die Studierenden beschäftigen sich damit, wie aus Daten zuverlässige Schlussfolgerungen gezogen und Entscheidungen unter Unsicherheit getroffen werden können. Sie lernen unterschiedliche Schätzverfahren, statistische Tests und entscheidungstheoretische Methoden kennen. Auch asymptotische Statistik, hochdimensionale Daten und die mathematischen Grundlagen moderner statistischer Modelle werden behandelt.
- Das Studium vermittelt außerdem umfangreiche Kenntnisse über stochastische Prozesse. Die Studierenden untersuchen, wie sich zufällige Vorgänge mathematisch beschreiben und vorhersagen lassen. Wichtige Themen sind Markov-Ketten, Martingale und unterschiedliche stochastische Modelle. Sie lernen, zeitliche Entwicklungen und zufällige Ereignisse zu analysieren und entsprechende mathematische Methoden auf komplexe Probleme anzuwenden.
- Ein besonders großer Teil des Studiums dient der Vertiefung moderner statistischer Methoden und der computergestützten Datenanalyse. Die Studierenden beschäftigen sich mit maschinellem Lernen, statistischen Algorithmen und Verfahren zur Analyse großer und komplexer Datensätze. Sie lernen, statistische Modelle mithilfe von Software umzusetzen, deren Ergebnisse zu bewerten und geeignete Methoden für unterschiedliche Problemstellungen auszuwählen. Je nach Schwerpunkt können auch Finanzmathematik, Ökonometrie und weitere Anwendungsbereiche behandelt werden.
- Das Studium ist stark forschungsorientiert und vermittelt die Fähigkeit, statistische Methoden selbstständig weiterzuentwickeln. Die Studierenden lernen, aktuelle Forschungsergebnisse zu verstehen, mathematische und statistische Fragestellungen eigenständig zu bearbeiten und ihre Ergebnisse nachvollziehbar zu präsentieren. In einem begleitenden Seminar vertiefen sie ihre Fähigkeiten zur Ausarbeitung und Diskussion eigener Forschungsthemen. Den Abschluss bilden eine Masterarbeit und deren Verteidigung.
- Spezialisierungen:
- Im Studium werden mindestens vier der sechs Vertiefungsbereiche aus den modernen statistischen Methoden gewählt. Jeder gewählte Bereich umfasst zwei aufeinander abgestimmte Module. Insgesamt sind mindestens 40 ECTS aus diesen Bereichen zu absolvieren. Die verbleibenden Wahlmöglichkeiten können für zusätzliche statistische Methoden, angewandte Statistik oder verwandte Fachgebiete genutzt werden. Die konkrete Auswahl richtet sich nach dem verfügbaren Lehrveranstaltungsangebot.
- Data Analytics: Diese Vertiefung beschäftigt sich mit der praktischen Anwendung statistischer Modelle und moderner Methoden der Datenanalyse. Die Studierenden lernen, komplexe Datensätze zu untersuchen und geeignete Modellierungsverfahren auszuwählen. In Fallstudien bearbeiten sie statistische Fragestellungen aus unterschiedlichen Anwendungsgebieten. Ergänzend werden aktuelle Entwicklungen und Forschungsthemen der Datenanalyse behandelt.
- Statistisches Lernen und stochastische Optimierung: Diese Vertiefung beschäftigt sich mit mathematischen Grundlagen des maschinellen Lernens. Die Studierenden lernen, Daten mithilfe überwachter und unüberwachter Lernverfahren zu analysieren. Wichtige Themen sind Klassifikation, Clustering, Dimensionsreduktion und Optimierungsverfahren. Auch fortgeschrittene Methoden zur Analyse hochdimensionaler Daten werden behandelt.
- Computational Statistics: Diese Vertiefung vermittelt moderne computergestützte Verfahren der Statistik. Die Studierenden beschäftigen sich mit der Entwicklung und Anwendung statistischer Algorithmen, Simulationen und numerischer Berechnungsmethoden. Dazu gehören Monte-Carlo-Verfahren, Bootstrap und weitere Methoden zur Schätzung statistischer Größen. Ergänzend werden Bayes'sche Statistik und Verfahren zur Berechnung komplexer Wahrscheinlichkeitsverteilungen behandelt.
- Stochastische Analysis und Finanzmathematik: Diese Vertiefung beschäftigt sich mit der mathematischen Modellierung zufälliger Entwicklungen in kontinuierlicher Zeit. Die Studierenden lernen, stochastische Differentialgleichungen und entsprechende Berechnungsverfahren anzuwenden. Ein besonderer Schwerpunkt liegt auf finanzmathematischen Modellen zur Bewertung von Finanzprodukten und zur Untersuchung finanzieller Risiken. Auch stochastische Optimierung und Anwendungen im Bereich künstlicher Intelligenz werden behandelt.
- Ökonometrie: Diese Vertiefung beschäftigt sich mit der statistischen Untersuchung wirtschaftlicher Zusammenhänge. Die Studierenden lernen, ökonomische Daten mithilfe mathematischer Modelle zu analysieren und wirtschaftliche Entwicklungen zu untersuchen. Wichtige Themen sind Regressionsverfahren, dynamische Modelle und die Schätzung komplexer wirtschaftlicher Beziehungen. Ergänzend werden fortgeschrittene Methoden der Zeitreihenanalyse vermittelt.
- Nichtparametrische Statistik: Diese Vertiefung beschäftigt sich mit flexiblen statistischen Verfahren, die ohne enge Annahmen über die Verteilung von Daten auskommen. Die Studierenden lernen, unbekannte Zusammenhänge und Verteilungen mithilfe unterschiedlicher Schätzmethoden zu untersuchen. Dazu gehören Kerndichteschätzung, nichtparametrische Regression und Glättungsverfahren. Auch die Auswahl statistischer Modelle und die Bewertung ihrer Zuverlässigkeit werden behandelt.
- Berufsmöglichkeiten:
- Wirtschaft
- Finanzen
- Technik
- Medizin
- Sport
- Forschung
- Studierendenvertretung:
- Weiterführende Tags:
- Farben:
- blaue Tags zeigen inhaltlich ähnliche Studiengänge


