DE / EN

Lehre

FSS 2021 – Courses

  • Statistik 1 (B.Sc.)

    Dozent

    Dr. Toni Stocker

    Zeiten und Räume der Vorlesung (4 st.)

    Die Vorlesungen werden als Videos bereitgestellt.

    Übungen

    Info: Download (pdf)

    Die Übungen finden live auf Zoom statt und 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:

    Zoom-Sitzungen:

    Mo 10:15 – 11:45 wtl 01.03.2021 – 14.06.2021
    Di  10:15 – 11:45 wtl  02.03.2021 – 15.06.2021
    Mi  08:30 – 10:00 wtl 03.03.2021 – 16.06.2021

    Audio-kommentierte Folien:

    Zusätzlich zu den Zoom-Sitzungen (Zoom-Raum, s. Studierenden­portal) werden jeweils am gleichen Tag (i.d.R. am späten Nachmittag) audio-kommentierte Folien bereitgestellt.

    Weitere Informationen

    Pro Woche finden zwei Vorlesungen (am Dienstag und Mittwoch) und eine Übung (am Montag) statt. Davon abweichend findet am Montag, den 01.03., 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 wichtigte klassische 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

    The lectures will be provided as videos only

    Time and Location of Practical Exercises (Tutorials):

    Tutorial 1: Thursday, 17:15-18:45h, Zoom (enter via the Portal)
    Tutorial 2: Friday, 10:15-11:45h, Zoom (enter via the Portal)

    The tutorials 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

  • E5069 Power Analysis (M.Sc.)

    Dozent

    Dr. rer. nat. Ingo Steinke

    Time and Location of Lecture

    On Fridays (05.03.-18.06.21), audio-commented slides will be provided, in general at about 2 pm. They will be made available via Ilias. There will be some Zoom sessions on Friday, 10:15-11:15, which will be announced in time.

    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. Stata is required.
    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.

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

    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 the first lecture and the

    the last lecture on 2 October/11 December 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

    Software R

    Studierenden­portal

  • Markov-Ketten (B.Sc.)

    Dozent

    Dr. Ingo Steinke

    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

    Dr. Ingo Steinke

    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.