Lehre
HWS 2020 - Courses
-
Statistik 2 (B.Sc.)
Dozent
Dr. Toni Stocker
Zeiten und Räume der Vorlesung
Die Vorlesungen werden nur online als Videos bereitgestellt Übungen
Die Übungen finden online statt und beginnen in der 2. Vorlesungswoche (ab 05.10.
Nähere Info: Download (pdf)
Das Hausaufgaben-Tutorium beginnt bereits in der 1. Vorlesungswoche (ab. 02.10.)
Weitere Informationen
Weitere Informationen zur Veranstaltung: Download (pdf)
Links -
Applied Multivariate Statistics (B.Sc.)
Dozent
Dr. Toni Stocker
Time and Location of Lecture
The lectures will be provided by videos, only the first lecture and the
the last lecture on October 2/
December 11 will be held live on Zoom Time and Location of Practical Exercises (Tutorials):
Friday, 08:30-10:00, beginning 09.10.2020 online (Zoom)
If the number of course participants is large (> 20) a second tutorial
will be offerd on Thursday, 17:15-18:45
Level
Bachelor
Sprache/
Language English
More Information
click here: Download (pdf)
Links -
Markov-Ketten (B.Sc.)
Dozent
Zeiten und Ort der Vorlesung
Die Vorlesung wird am Montag und Donnerstag online auf Ilias als Video bereitgestellt.
Übungen finden 14-tägig am Mittwoch, 15:30-17:00, via Zoom statt.
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.
-
Statistische Lernverfahren (B.Sc.)
Dozent
Zeiten und Ort der Vorlesung
Die Vorlesung wird am Mittwoch und Freitag online als Video auf Ilias bereitgestellt.
Die Übung findet 14-tägig statt. Die Lösung wird am Donnerstag online als Video bereitgestellt.
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 und Baum-basierte Verfahren wie Regressions- und Klassifikationsbäume. 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.
FSS 2020 - Courses
-
Statistik 1 (B.Sc.)
Dozent
Dr. Toni Stocker
Zeiten und Räume der Vorlesung (4 st.)
Montag, 10:15 - 11:45, wtl 10.02.2020 - 25.05.2020, SO 108
Dienstag, 17:15 - 18:45, wtl 11.02.2020 - 26.05.2020, SO 108
Übungen
Die Übungen beginnen in der 2. Vorlesungswoche.
Weitere Informationen
Die Einteilung in die Übungsgruppen erfolgt über das Studierendenportal (strikte Zuweisung mit Anmeldung). Das Verfahren wird in der 1. Vorlesung und im Dokument „Übungsgruppeneinteilung“ (Veranstaltungsordner auf ILIAS) erklärt.
Weitere Informationen zur Veranstaltung: 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 10.02.2020 - 25.05.2020 (A3 001)
Di 10:15 - 11:45 wtl 11.02.2020 - 26.05.2020 (A3 001)
Mi 08:30 - 10:00 wtl 12.02.2020 - 27.05.2020 (A3 001)Studenten der BWL:
Mo 13:45 - 15:15 wtl 10.02.2020 - 25.05.2020 (A3 001)
Di 15:30 - 17:00 wtl 11.02.2020 - 26.05.2020 (A3 001)
Mi 15:30 - 17:00 wtl 12.02.2020 - 27.05.2020 (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 10.02., 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. (2017): Statistik. De Gruyter Oldenbourg.
Alternative Literatur
Fahrmeier, L., Künstler, R., Pigeot, I., Tutz, G. (2007): Statistik. 6. Auflage. Springer-Verlag.
Schira, J. (2003): Statistische Methoden der VWL und BWL. Pearson-Studium.
-
Time Series Analysis (B.Sc.)
Dozent
Dr. Toni Stocker
Time and Location of Lecture
Friday, 12:00-13:30h, 14.02.2020 - 29.05.2020, Room 001 (L7, 3-5)
Time and Location of Practical Exercises (Tutorials):
Thursday, 17:15 - 18:45h, 20.02.2020 - 28.05.2020, Room 003 (L9, 1-2)
Friday, 10:15 - 11:45h, 21.02.2020 - 29.05.2020 , Room 003 (L9, 1-2)The lecture takes place on Friday, 12-13.30h. For the exercise part of the class you may choose between Thursday, 17.15-18.45h, and Friday, 10.15-11.45h.
Level
Bachelor
Sprache/
Language English
More Information
Links -
E5069 Power Analysis (M.Sc.)
Dozent
Dr. rer. nat. Ingo Steinke
Time and Location of Lecture
Thursday, 12:00 - 13:30, 13.02.2020 - 28.05.2020 (003, L9, 1-2)
Level
Master
Sprache/
Language English
More Information
Form and usability of the module: Elective module for M.Sc. in Economics
ECTS credits: 5 ECTS
Teaching method (hours per week): Lecture (2 SWS)
Prerequisites: Advanced Econometrics I or equivalent
Grading and ECTS credits: Final exam (60 min)
Goals and contents of the module: For the planning of statistical studies it is important to know how to choose the sample size in order to be able to prove a specific effect. Moreover, it is useful to compute the power of a test under certain alternatives in order to know what conclusion can be made even if the null hypothesis is not rejected. In the lecture the power of tests is derived and computed under alternatives in several models, e.g. for simple t-tests and in variance, regression, and meta analysis models. The theory behind the formulas will be discussed. Using Stata the power of the tests is computed and sample size computations are performed.
Expected competences acquired after completion of the module: The students know distributional properties of the normal, t-, chi-square, and F-distribution and know how these distributions are constructed. For specific models the students can derive the formulas for the computation of the power. They can compute the power of tests using Stata and determine the sample size necessary to distinguish a specific effect. -
Resampling-Verfahren (B.Sc.)
Dozent
Dr. rer. nat. Ingo Steinke
Zeit und Ort der Veranstaltung:
Di, 17:15 - 18:45, wtl 11.02.2020 - 26.05.2020, Raum P 043, 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.