Lehrveranstaltungen im Überblick

Veranstaltungsnummer |82-021-QM03-H-507
Abschluss des Studiengang | Bachelor
Semester | Sommer
Kurstyp | Vorlesung und Übung
Teilnehmerbeschränkung | Keine
Anrechenbar für | Pflicht Bachelor in BWL
Unterrichtsstunden | 4 SWS
Leistungspunkte | 5 ECTS
Sprache | Deutsch
Verantwortlicher Lehrstuhl | Statistik und Quantitative Methoden
Referent/en | Prof. Dr. Ulrich Küsters und Mitarbeiter

Lernziele/Kompetenzen
▪ Die Studierenden der Betriebswirtschaftslehre erlernen im Rahmen des Kurses die grundlegenden Begriffe und Methoden der Statistik.
▪  Die methodischen Kompetenzen erwerben die Studierenden im Rahmen der Vorlesung. Dabei wird zur Bildung einer methodischen Grundlage zunächst die Theorie behandelt.
▪  Im Rahmen der Übung wenden die Studierenden die Verfahren der Wahrscheinlichkeitstheorie und der deskriptiven Statistik auf praktische Fragestellungen an.
▪ Durch eine selbständige Arbeitsweise entwickeln die Studierenden eine Kompetenz zum eigenverantwortlichen Umgang mit statistischen Methoden sowie deren effiziente Anwendung in der Praxis.

Kursinhalt
▪      Einführung
▪      Deskriptive Statistik (einschließlich Indexrechnung und Konzentrationsmessung)
▪      Wahrscheinlichkeitstheorie
▪      Grundlagen (einschließlich Axiomatik, bedingte Wahrscheinlichkeit und Satz von Bayes)
▪      Diskrete univariate Verteilungen
▪      Stetige univariate Verteilungen
▪      Diskrete multivariate Verteilungen
▪      Stetige multivariate Verteilungen
▪      Grenzwertsätze (einschließlich Tschebyscheff-Ungleichung und Gesetze der großen Zahlen) Lehr-/Lernformen
▪      Vorlesung und Übung

Prüfungsmodalitäten
▪      Klausur                                                                                  
       (100%)

Erläuterung der Prüfungsmodalitäten
▪      Klausur am Ende des Semesters

Arbeitsaufwand (in Stunden)
28 h  = Präsenzzeit Vorlesung
28 h  = Vor- und Nachbereitung Vorlesung 28 h   = Präsenzzeit Übung
28 h  = Vor- und Nachbereitung Übung 38 h   = Prüfungsvorbereitung
150 h = Arbeitsaufwand insgesamt

Empfohlene Vorkenntnisse
▪      Mathematik für Wirtschaftswissenschaftler

Literatur
▪ Küsters, Ulrich (2015): Statistik, Foliensatz, KUE/WFI, Ingolstadt.
▪ Bamberg, G., Baur, F. und Krapp, M. (2012): Statistik. 17. Auflage, Oldenbourg
▪ Bamberg, G., Baur, F. und Krapp, M. (2012): Statistik-Arbeitsbuch: Übungsaufgaben-Fallstudien-Lösungen. 9. Auflage, Oldenbourg
▪ Schira, Josef (2012): Statistische Methoden der VWL und BWL. 4. Auflage, Pearson Studium, München.
▪ Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G. (2011): Statistik - Der Weg zur Datenanalyse. 7. Auflage, Springer-Verlag, Berlin.
▪ Mosler, K. und Schmid, F. (2009): Beschreibende Statistik und Wirtschaftsstatistik. 4. Auflage, Springer-Verlag, Heidelberg.
▪ Mosler, K. und Schmid, F. (2011): Wahrscheinlichkeitsrechnung und schließende Statistik. 4. Auflage, Springer-Verlag, Heidelberg.

Der Blockkurs findet jeweils 6 Stunden an Freitagen und Samstagen zu Beginn des Sommersemesters statt.

Die genauen Termine werden im KU-Campus-System bekanntgegeben.

Veranstaltungsnummer | 82-021-IFM08-H-0507

Abschluss des Studienganges | Bachelor

Semester | Sommer, Winter

Kurstyp | Integrierte Vorlesung und Übung

Teilnehmerbeschränkung | 19*

Anrechenbar für | Wahlpflicht (Bachelor in BWL, Interdisziplinärer Masterstudiengang Mathematik mit der Erweiterung Wirtschaftsmathematik),

einbringbare Veranstaltung im Master

Unterrichtsstunden | 2 SWS

Leistungspunkte | 5 ECTS

Sprache | Englisch oder Deutsch

Verantwortlicher Lehrstuhl | Statistik und Quantitative Methoden

Referent/en | Prof. Dr. Ulrich Küsters und/oder Mitarbeiter

Lernziele/Kompetenzen

• Die Studierenden erwerben sowohl Grundlagenkenntnisse als auch die Kenntnis ausgewählter Programmiertechniken im Umgang mit der Statistik-Softwareumgebung R.
• Bei der statistischen Datenanalyse mit R erlernen die Studierenden den sachgerechten Umgang mit empirischen Daten sowie der Aufbereitung und Darstellung.
• Bei der Bearbeitung von betriebswirtschaftlichen und volkswirtschaftlichen statistischen Fragestellungen verschiedenster Art (z.B. statistische Hypothesentests, lineare Regression etc.) entwickeln die Studierenden die Handlungskompetenz zur Durchführung eigenständiger und zielorientierter Analysen unter Verwendung von R.

Kursinhalt

• Grundlagen
  • Objekte bzw. Datenstrukturen in R und deren Behandlung
    • Vektoren
    • Matrizen
    • Arrays
    • Listen
    • Data Frames
  • Logik und fehlende Werte
  • Konstrukte zur Programmsteuerung
    • Bedingte Anweisungen (if … else u.ä.)
    • Schleifen
  • Zeichenketten
• Ein- und Ausgabe von Daten
  • Zugriff auf Excel und CSV-Daten
  • R-Objekte lesen und schreiben
• Die Sprache im Detail
  • Funktionen
  • Nutzung von S3-Klassen
  • Verzögerte Auswertung – Lazy Evaluation
• Grafiken mit R
• Statistik mit R
  • Grundlegende Funktionen
  • Zufallszahlen
  • Verteilungen und Stichproben
  • Lineare Regression

Lehr-/Lernformen

• Integrierte Vorlesung und Übung
• Programmierprojekt

Prüfungsmodalitäten

• Klausur                                                                                                   (100 %)

Erläuterung der Prüfungsmodalitäten

• Klausur: Abprüfen von primär theoretischen Aspekten der Programmiersprache bzw. der damit adressierten statistischen Fragestellungen.

Arbeitsaufwand (in Stunden)

28 h   = Präsenzzeit Veranstaltung

28 h   = Vor- und Nachbereitung Veranstaltung

66 h   = Hausaufgaben/Programmierprojekt  

28 h   = Prüfungsvorbereitung

150 h = Arbeitsaufwand insgesamt

Empfohlene Vorkenntnisse

• Mathematik für Wirtschaftswissenschaftler
• Deskriptive Statistik und Wahrscheinlichkeitstheorie
• Induktive und Multivariate Statistik

Literatur

• Ligges, U. (2008): Programmieren mit R, 3. Auflage, Springer.
• Matloff, N. (2011): The Art of R Programming, No Starch Press.
• Lafaye de Micheaux, P., Drouilhet, R., Liquet, B. (2013): The R software: fundamentals of programming and statistical analysis, Springer
• Venables, W. N., Ripley, B. D. (2002): Modern Applied Statistics with S. 4. Auflage, Springer
• Rizzo, M.L. (2008): Statistical Computing with R, Chapman Hall.

*Beschränkung aufgrund bestehender Kapazitäten in den PC Pools (gesondertes Zulassungsverfahren).

Modulnummer | 88-021-QM04-H-0818

Abschluss des Studienganges | Master

Semester | Sommer oder Winter

Kurstyp | Vorlesung und Übung

Teilnehmerbeschränkung | 19*

Anrechenbar für | Wahlpflicht (Business Analytics & OR)

Unterrichtsstunden | 4 SWS

Leistungspunkte | 5 ECTS

Sprache | Deutsch

Verantwortliche Lehrstühle | Statistik und Quantitative Methoden & ABWL und Wirtschaftsinformatik

Referenten | Prof. Dr. Ulrich Küsters und Prof. Dr. Thomas Setzer

Lernziele/Kompetenzen

• Die Studierenden besitzen die methodische Kompetenz und Theoriebasis und können damit wichtige praxis­rele­vante statistische Verfahren des Data Science benennen und erklären.
• Die Studierenden können ausgewählte Verfahren mit Hilfe einer statistischen Softwareumgebung wie R oder Python anwenden, berechnen und deren Ergebnisse interpretieren.
• Anhand der wichtigen konzeptionellen und theoretischen Erweiterungen der Methoden des Data Science eignen sich die Studierenden die Kompetenzen an, problemorientiert und kontextbezogen zu entscheiden.

Modulinhalt

• Übersicht über Data Science Methoden und grundsätzliche Verfahren des statistischen Lernens aus Daten
• Datenräume und datengeometrische Grundlagen von Data Science-Methoden
• Bias–Variance Trade-off und Fehlerdekomposition
• Verfahren des überwachten Lernens sowie zur Featurebewertung
• Modelle zur Dimensionsreduktion bzw. Featurereduktion
• Ausblick auf weitere Verfahren

Lehr-/Lernformen

• Vorlesung und Übung
• Teilnehmer sollten nach Möglichkeit einen aufgeladenen Laptop mit vorinstallierter Software mit in die Veranstaltungen mitnehmen. Die zu installierende Software wird noch bekannt gegeben.

Prüfungsmodalitäten

• Klausur oder mündliche Prüfung                                                                                       (100 %)

Erläuterung der Prüfungsmodalitäten

• Prüfung am Ende des Semesters

Arbeitsaufwand (in Stunden)

28 h   = Präsenzzeit Vorlesung

28 h   = Vor- und Nachbereitung Vorlesung

28 h   = Präsenzzeit Übung

28 h   = Vor- und Nachbereitung Übung

38 h   = Prüfungsvorbereitung

150 h = Arbeitsaufwand insgesamt

Empfohlene Vorkenntnisse

• Mathematik für Wirtschaftswissenschaftler
• Deskriptive Statistik und Wahrscheinlichkeitstheorie
• Induktive und Multivariate Statistik
• Empfehlenswert sind Grundkenntnisse in einer Programmiersoftware, z.B. R oder Python.
• Ideal, aber nicht zwingend erforderlich, ist eine Teilnahme am Kurs Data Science Werkzeuge.

Literatur

Wird in der ersten Einheit der Veranstaltung bekannt gegeben.