FSS 2023 – Courses
Lehre
Statistik 1 (B.Sc.)
Dozent
Dr. Toni Stocker
Zeiten und Räume der Vorlesung (4 st.)
Mo 10:15 – 11:45 wtl 13.02.2023 – 29.05.2023 (SO 108)
Di 17:15 – 18:45 wtl 14.02.2023 – 30.05.2023 (B6, A001)Übungen und Tutorien
Info: Download (pdf)
Die Übungen beginnen in der 2. Vorlesungswoche.
Die Tutorien beginnen bereits in der 1. Woche
Weitere Informationen
Download (pdf) Links Grundlagen der Statistik (B.Sc.)
Dozent
Dr. rer. nat. Ingo Steinke
Zeit und Ort der Veranstaltung:
Studenten der Wirtschaftsinformatik – und pädagogik:
Mo 10:15 – 11:45 wtl 13.02.2023 – 22.05.2023 (A3 001)
Di 10:15 – 11:45 wtl 14.02.2023 – 30.05.2023 (A3 001)
Mi 08:30 – 10:00 wtl 15.02.2023 – 31.05.2023 (A3 001)Studenten der BWL:
Mo 13:45 – 15:15 wtl 13.02.2023 – 22.05.2023 (A3 001)
Di 15:30 – 17:00 wtl 14.02.2023 – 30.05.2023 (A3 001)
Mi 15:30 – 17:00 wtl 15.02.2023 – 31.05.2023 (A3 001)Weitere Informationen
Pro Woche finden zwei Vorlesungen (am Dienstag und Mittwoch) und eine Übung (am Montag) statt. Davon abweichend findet am Montag, den 13.02., anstelle der Übung eine Vorlesung statt. Die beiden Veranstaltungen “Grundlagen der Statistik” sind inhaltsgleich. Die Vormittagstermine sind für die Wirtschaftspädagogen und Wirtschaftsinformatiker gedacht, die Nachmittagstermine für die Wirtschaftswissenschaftler. Ein Tausch der Veranstaltungen ist aber prinzipiell möglich. Um Zugang zu den Vorlesungsmaterialien zu erhalten, melden Sie sich bitte bei der für E-Learning (Ilias) freigeschalteten Veranstaltung an.
Die Vorlesung stellt eine Einführung in die Wahrscheinlichkeitsrechnung und Induktive Statistik dar. Es werden die Grundbegriffe und Grundlagen der Wahrscheinlichkeitsrechnung besprochen, z.B. Wahrscheinlichkeit, bedingte Wahrscheinlichkeit, Unabhängigkeit, Bayessche Formel, Zufallsvariablen, Verteilungsfunktion, diskrete und stetige Verteilungen, Verteilungen von zwei und mehr Zufallsvariablen und Grenzwertaussagen für große Stichproben. Im Rahmen des Statistikteils der Vorlesung wird in die Grundkonzepte der Schätz- und Testtheorie eingeführt, es werden die wichtigsten klassischen Parametertests besprochen und theoretische und praktische Aspekte von linearen Regressionsmodellen diskutiert.
Literatur
Stocker, T., Steinke, I. (2022): Statistik – Grundlagen und Methodik. 2. Auflage. Berlin: De Gruyter Oldenbourg.
Stocker, T., Steinke, I. (2022): Statistik – Übungsbuch. 2. Auflage. Berlin: De Gruyter Oldenbourg.
Alternative Literatur
Fahrmeir, L., Künstler, R., Pigeot, I., Tutz, G. (2007): Statistik. 6. Auflage. Springer-Verlag.
Schira, J. (2003): Statistische Methoden der VWL und BWL. Pearson-Studium.
Statistische Lernverfahren (B.Sc.)
Dozent
Zeiten und Ort der Vorlesung
Mi, 12:00 – 13:30, wtl 15.02.2023 – 31.05.2023, Seminarraum 003, L9, 1–2
Do, 8:30 – 10:00, wtl 16.02.2023 – 01.06.2023, Seminarraum 003, L9, 1–2
Inhalt
Statistisches Lernen umfasst eine Reihe von statistischen Verfahren, mit deren Hilfe es möglich ist, Zusammenhänge zwischen den Variablen eines Datensatzes zu erkennen, Prognosen aufzustellen und Entscheidungen in Form von Gruppenzuordnungen durchzuführen. In der Vorlesung werden eine Reihe von Verfahren besprochen. Dazu gehören neben den klassischen Verfahren der lineare Regression und Klassifikation mit logistischer Regression und Diskriminanzanalyse auch Resampling-Verfahren, die häufig zur Wahl eines geeigneten Modells verwendet werden, nichtlineare Modellansätze, Baum-basierte Verfahren, wie Regressions- und Klassifikationsbäume, und Verfahren, die auf Support-Vektoren basieren. Neben der Motivation für die Verfahren werden auch einige ihrer theoretischen Eigenschaften besprochen. Im Rahmen der Vorlesung und in der begleitenden Übung wird von der Programmiersprache R Gebrauch gemacht. Grundkenntnisse in R sollten vorhanden sein.
HWS 2022 – Courses
Statistik 2 (B.Sc.)
Dozent
Dr. Toni Stocker
Zeiten und Räume der Vorlesung
Mo 13:45 – 15:15 wtl (B6, A 001)
Do 08:30 – 10:00 wtl (SO 108)Übungen
Die Übungen beginnen in der 2. Vorlesungswoche
Nähere Info: Download (pdf)
Weitere Informationen
Weitere Informationen zur Veranstaltung: Download (pdf)
Links Applied Multivariate Statistics (B.Sc.)
Dozent
Dr. Toni Stocker
Time and Location of Lecture
Fr 10:15 – 11:45 weekly (L7, 3–5, 001)
Time and Location Exercises
(Group Exercise Sessions):
Session 1: Thursday, 17:15–18:45, L9, 1–2, 003
Session 2: Friday, 10:15–11:45, L9, 1–2, 003The exercise sessions start in the 2nd week!
For the exercise part of the class you choose one of the two tutorials offered
Level
Bachelor
Sprache/
Language English
More Information
see ILIAS course folder Links Markov-Ketten (B.Sc.)
Dozent
Zeiten und Ort der Vorlesung
Die Vorlesungen finden am Donnerstag, 13:45–15:15, L9, 1–2, 002, und 14-tägig am Donnerstag, 17:15–18:45, L9, 1–2, 002, statt.
Übungen finden 14-tägig am Donnerstag, 17:15–18:45, L9, 1–2, 002.
Inhalt
Die Vorlesung stellt eine Einführung in die Theorie der Markov-Ketten mit diskretem Zustandsraum dar. Es werden grundlegende Eigenschaften von Markov-Ketten untersucht mit einem besonderen Augenmerk auf das Verhalten von Markov-Ketten über längere Zeiträume. Es werden Beispiele für ihre Anwendung in der Biologie, den Wirtschafts- und Sozialwissenschaften vorgestellt. Neben Beispielrechnungen wird ein Einblick in die wahrscheinlichkeitstheoretischen Grundlagen gegeben. Markov-Prozesse, Markov-Ketten mit stetigem Zustandsraum und Markov-Chain-Monte-Carlo-Methoden zur Simulation von speziellen Verteilungen von Zufallsvariablen werden diskutiert. Der Kurs nutzt eine mathematische Notation und enthält teilweise formale mathematische Herleitungen.
Resampling-Verfahren (B.Sc.)
Dozent
Dr. rer. nat. Ingo Steinke
Zeit und Ort der Veranstaltung:
Mo, 13:45 – 17:00, wtl 05.09.2022 – 17.10.2022, Hörsaol 001, L7, 3–5
Weitere Informationen
Art und Verwendbarkeit des Moduls: Wahlveranstaltung im Bachelorstudiengang VWL
ECTS-Punkte: 5 ECTS
Lehrmethode: Vorlesung (2 SWS)
Unterrichtssprache: Deutsch
Teilnahmevoraussetzungen: Statistik I und IIZiele und Inhalte des Moduls: Bei Resampling-Verfahren werden mithilfe vorliegender Stichproben neue Stichproben generiert, die dazu dienen, vorhandene Schätz- und Testverfahren zu verbessern bzw. die Bestimmung von Konfidenzintervallen und die Durchführung von Tests erst zu ermöglichen. Die Resampling-Verfahren Jackknife und Bootstrap werden aus theoretischer Sicht besprochen. Angewandt werden die Verfahren zur Verbesserung von Schätzern, Konfidenzintervallen und Tests in einfachen parametrischen Modellen und Regressionsmodellen. Berechnungen zu den Resampling-Verfahren werden in R durchgeführt. Grundkenntnisse in R sollten vorhanden sein.
Erwartete Kompetenzen nach Abschluss des Moduls: Die Studierenden sind mit Ergebnissen der asymptotischen Statistik vertraut und können diese anwenden. Sie kennen Landau-Symbole und können mit ihnen rechnen. Sie haben ein grundlegendes Verständnis von der Funktionsweise von Resampling-Verfahren. Sie verstehen die Ideen hinter den theoretischen Ergebnissen zu Resampling-Verfahren. Mithilfe von R können die Studierenden Resampling-Verfahren anwenden.