DE / EN

Lehre

FSS 2022 – Courses

  • Statistik 1 (B.Sc.)

    Dozent

    Dr. Toni Stocker

    Zeiten und Räume der Vorlesung (4 st.)

    Mo 10:15 – 11:45 wtl 14.02.2022 – 30.05.2022 (SO 108)
    Di  17:15 – 18:45 wtl  15.02.2022 – 31.05.2022 (SO 108)

    Übungen

    Info: Download (pdf)

    Die Übungen beginnen in der 2. Vorlesungs­woche.

    Weitere Informationen

    Download (pdf)

    Links

    Software R

    Studierenden­portal

  • 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 14.02.2022 – 30.05.2022 (A3 001)
    Di  10:15 – 11:45 wtl  15.02.2022 – 31.05.2022 (A3 001)
    Mi  08:30 – 10:00 wtl 16.02.2022 – 01.06.2022 (A3 001)

    Studenten der BWL:

    Mo 13:45 – 15:15 wtl 14.02.2022 – 30.05.2022 (A3 001)
    Di  15:30 – 17:00 wtl  15.02.2022 – 31.05.2022 (A3 001)
    Mi  15:30 – 17:00 wtl 16.02.2022 – 01.06.2022 (A3 001)

    Die ersten 4 Wochen finden die Vormittags­veranstaltungen via Zoom-Link (s. Portal2) statt und anstelle der Nachmittags­veranstaltungen werden im Laufe des Nachmittags audio-kommentierte Folien auf Ilias bereit gestellt. Danach sollen Präsenz­veranstaltungen stattfinden.

    Weitere Informationen

    Pro Woche finden zwei Vorlesungen (am Dienstag und Mittwoch) und eine Übung (am Montag) statt. Davon abweichend findet am Montag, den 14.02., 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.

     

     

     

     

     

     

     

  • Time Series Analysis (B.Sc.)

    Dozent

    Dr. Toni Stocker

    Time and Location of Lecture

    Fr 12:00 – 13:30 weekly 18.02.2022 – 03.06.2022 (L7, 3-5, 001)

    Time and Location of Exercise Sessions:

    Session 1: Thursday, 17:15-18:45h, L9, 1-2, 003
    Session 2: Friday, 10:15-11:45, L9, 1-2, 003

    The 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

    Download (pdf)

    Links

    Software R

    Studierenden­portal

  • Statistische Lern­verfahren (B.Sc.)

    Dozent

    Dr. Ingo Steinke

    Zeiten und Ort der Vorlesung

    Mi, 12:00 – 13:30, wtl 16.02.2022 – 01.06.2022, Raum P 044, L7, 3–5

    Do, 12:00 – 13:30, wtl 17.02.2022 – 02.06.2022, Raum P 044, L7, 3–5

    Für die ersten 3 Veranstaltungen werden im Laufe des entsprechenden Nachmittags audio-kommentierte Folien bereitgestellt. Die Übung am Donnerstag, den 24.02. findet als Zoom-Sitzung (s. Portal2) statt. Danach sind Präsenz­veranstaltungen vorgesehen.

    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.

HWS 2021 – 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 13.09.

    Nähere Info: Download (pdf)

    Das Hausaufgaben-Tutorium entfällt

    Weitere Informationen

    Weitere Informationen zur Veranstaltung: Download (pdf)

    Links

    Software R

    Studierenden­portal

  • Applied Multivariate Statistics (B.Sc.)

    Dozent

    Dr. Toni Stocker

    Time and Location of Lecture

    The lectures will be provided by videos only

    Time and Location Exercises

    (Group Exercise Sessions):

    GES 1: Thursday, 17:15-18:45, beginning 16.09.2021 online (Zoom)

    GES 2: Friday, 08:30-10:00, beginning 17.09.2021 online (Zoom)

    Freely choose ONE(!) of these two Sessions offered,

    Level

    Bachelor

    Sprache/Language

    English

    More Information

    click here: Download (pdf)
    Links

    Software R

    Studierenden­portal

  • Einführung in die Bayessche Statistik (B.Sc.)

    Dozent

    Dr. Ingo Steinke

    Zeiten und Ort der Vorlesung

    Mo,  8:30 – 10:00, P 044 (L7, 3-5), Vorlesung und Übung im Wechsel

    Fr, 12:00 – 13:30, audiokommentierte Vorlesungs­folien.

    Inhalt

    Ziele und Inhalte des Moduls: Bayessche Modellansätze spielen in der Statistik eine große Rolle, da sie es erlauben, auch für komplexe statistische Modelle Lösungen anzubieten. Ausgehend von einem klassischen parametrischen Modell wird dabei der Parameter als Zufallsvariable aufgefasst, dem man eine a-priori-Verteilung zuweist. Über den Bayesschen Ansatz bekommt man dann eine a-posteriori-Verteilung des Parameters, auf deren Grundlage Schätzer berechnet oder Entscheidungen gefällt werden können. Im Zentrum der Vorlesung steht eine Einführung in die Konzepte der Bayesschen Statistik; dazu gehört auch ein Überblick über das Rechnen mit bedingten Verteilungen. Mit asymptotischen Aussagen wird belegt, warum Bayessche Methoden auch aus klassischer Sichtweise anwendbar sind. Eine Einführung in die rechentechnische Bestimmung der a-posteriori-Verteilung wird gegeben. Im Rahmen der Vorlesung und in der begleitenden Übung wird von der Programmiersprache R Gebrauch gemacht.

  • Markov-Ketten (B.Sc.)

    Dozent

    Dr. Ingo Steinke

    Zeiten und Ort der Vorlesung

    Die Vorlesungen finden am Montag, 13:45-15:15, L9, 1-2, 003, und 14-tägig am Donnerstag, 13:45-15:15, L9, 1-2, 003, statt.

    Übungen finden 14-tägig am Donnerstag, 13:45-15:15, L9, 1-2, 003.

    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.