Lehrveranstaltungen im Überblick
Nachfolgend sind die Inhalte der Lehrveranstaltungen des Lehrstuhls aufgeführt. Die genauen Termine der einzelnen Veranstaltungen entnehmen Sie bitte dem elektronischen Vorlesungsverzeichnis KU.Campus. Bei Fragen wenden Sie sich bitte an das Sekretariat.
Alle wichtigen Informationen und Materialien (Übungsblätter, Vorlesungsskripte, Folien, o.ä.) zu den laufenden Veranstaltungen sowie nützliche Links finden Sie im E-Learning-System "ILIAS", Bereich Statistik. Hierzu müssen Sie sich lediglich mit Ihrer Kennung des Rechenzentrums bei KU.Campus anmelden und in den gewünschten Kurs eintragen.
Bachelorveranstaltungen
Sommersemester
Deskriptive Statistik und Wahrscheinlichkeitstheorie - Pflicht
Vorlesung und Übung
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 zunächst die Theorie behandelt, welche eine methodische Grundlage bildet
- 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 Selbstkompetenz und den 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
Empfohlene Vorkenntnisse
▪ Mathematik für Wirtschaftswissenschaftler
Wintersemester
Induktive und multivariate Statistik - Pflicht
Vorlesung und Übung
Lernziele/Kompetenzen
- Die Studierenden der Betriebswirtschaftslehre erlernen im Rahmen dieses Kurses die grundlegenden Begriffe und Methoden der induktiven und multivariaten Statistik.
- Die methodischen Kompetenzen erwerben die Studierenden im Rahmen der Vorlesung, die auf den Inhalten des vorhergehenden Kurses der deskriptiven Statistik und Wahrscheinlichkeitstheorie beruht. Dabei wird zur Bildung einer methodischen Grundlage zunächst die Theorie behandelt.
- Im Rahmen der Übung wenden die Studierenden die Verfahren der induktiven und multivariaten Statistik auf einfache betriebs- und volkswirtschaftliche Probleme an.
- Durch eine selbständige Arbeitsweise entwickeln die Studierenden eine Kompetenz zum eigenverantwortlichen Umgang mit statistischen Methoden sowie deren effiziente Anwendung in der Praxis.
Kursinhalt
- Inferenzstatistik
- Stichprobenfunktionen
- Punktschätzung
- Konfidenzintervalle
- Signifikanztests
- Multivariate Statistik
- Korrelation
- Regression
- Einfaktorielle Varianzanalyse
- Partielle Korrelation
- Assoziationsmaße für qualitative Merkmale
- Assoziationsmaße und Tests für ordinale Merkmale
Empfohlene Vorkenntnisse
- Mathematik für Betriebswirte
- Deskriptive Statistik und Wahrscheinlichkeitstheorie
Masterveranstaltungen
Sommersemester
Advanced Neural Neworks
Informationen folgen
Wintersemester
Predictive Analytics
Vorlesung und Übung
Kompetenzen:
- Studierende entwickeln ein grundlegendes Verständnis für die Methoden des Machine Learning
- können reale datengetriebene Problemstellungen statistisch modellieren
- sind in der Lage maschinelle Lernverfahren an Fallbeispielen anzuwenden
- können die Ergebnisse interpretieren und deren Qualität beurteilen
Inhalte:
- Lineare und multiple Regression
- Gradientenverfahren und Kostenfunktion
- Modellgüte, Overfitting, Cross-Validation
- Regularisierung (z.B. Ridge, Lasso, Elastic Net)
- Klassifikation (z.B. Logistische Regression, Naive Bayes)
- Zeitreihenanalysen und Autoregression
- Entscheidungsbäume, Random Forests, Boosting
- Neuronale Netze¶ Praktische Anwendungen im ökonomischen Kontext
- Implementierung verschiedener Modelle in Python
Empfohlene Voraussetzungen:
- Grundlagen der Mathematik und Statistik
Grundlegende Programmierkenntnisse in Python
