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.

Veranstaltungsnummer | 82-021-PS20-H-0507

Abschluss des Studiengang | Bachelor

Semester | Sommer

Kurstyp | Proseminar

Teilnehmerbeschränkung | Keine

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

Unterrichtsstunden | 2 SWS

Leistungspunkte | 5 ECTS

Sprache | Deutsch

Verantwortlicher Lehrstuhl | Statistik und Quantitative Methoden

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

Lernziele/Kompetenzen

• In den Präsenzstunden erlernen die Studierenden die Grundlagen des wissenschaftlichen Arbeitens und die grundlegende Herangehensweise zur Durchführung statistischer und ökono­metrischer Analysen.
• Die Studierenden erwerben die Kompetenz des sachgerechten Umgangs mit wirtschaftlich relevanten Daten sowie Methoden zu deren Darstellung, Auswertung und Präsentation.
• Durch das Verfassen der schriftlichen Arbeit lernen die Studierenden, sich selbstständig neues Wissen und neue Arbeitsmethoden anzueignen, um die Proseminararbeit nach den gängigen Maßstäben des wissenschaftlichen Arbeitens zu erstellen.
• Des Weiteren entwickeln die Studierenden Kommunikations- und Kritikfähigkeit durch die Präsentation, Verteidigung und anschließende Diskussion der Proseminararbeit.

Kursinhalt

• Das Proseminar beschäftigt sich mit der statistischen oder mit der ökonometrischen Analyse von empirischen Daten. Studenten können ein Thema aus einem jährlich wechselnden Themenkatalog bearbeiten. Zudem ist es möglich, eigene Themenvorschläge vorzuschlagen. In einer Kick-off Veranstaltung werden die unterschiedlichsten Themen vorgestellt und vergeben. In den restlichen Veranstaltungsterminen werden u.a. folgende Aspekte thematisiert:
  • Grundlagen des wissenschaftlichen Arbeitens
  • Datenbeschaffung
  • Datenaufbereitung
  • Datenmodellierung
  • Grafische Datenexploration
  • Interpretation von Statistiken bzw. statistischen oder ökonometrischen Modellen
  • Kritische Reflektion relevanter statistischer und ökonometrischer Kennzahlen, Methoden, Modellen etc.

Lehr-/Lernformen

• Wöchentliche Präsenzveranstaltung zur Vermittlung zentraler Kursinhalte.
• Erstellen einer wissenschaftlichen Proseminararbeit.
• Präsentation und Verteidigung der Arbeit.

Prüfungsmodalitäten

• Proseminararbeit                                                                                                               (70 %)
• Präsentation                                                                                                                       (30 %)

Erläuterung der Prüfungsmodalitäten

Aufgrund der Kompetenzorientierung des Kurses stellt die Proseminararbeit mit der anschließenden Verteidigung durch eine Präsentation eine zwingend notwendige Prüfungsmodalität dar.

• Proseminararbeit: Anhand der schriftlichen Arbeit wird abgeprüft, ob der Student in der Lage ist eine gegebene Fragestellung in einer wissenschaftlichen Art und Weise zu bearbeiten.
• Präsentation: Präsentation in der abgeprüft wird, inwiefern der Student in der Lage ist, die im Rahmen der Proseminararbeit behandelten Aspekte und die daraus gewonnenen Erkenntnisse in einem vorgegebenen zeitlichen Rahmen verständlich darzulegen .

Arbeitsaufwand (in Stunden)

28 h   = Präsenzzeit Seminar

28 h   = Vor- und Nachbereitung Seminar

94 h   = Seminararbeit und Präsentation

150 h = Arbeitsaufwand insgesamt

Empfohlene Vorkenntnisse

• Mathematik für Wirtschaftswissenschaftler
• Deskriptive Statistik und Wahrscheinlichkeitstheorie (Statistik I)
• Induktive und Multivariate Statistik (Statistik II)
• Rechnergestützte Statistik mit R

Literatur

• Wird in der ersten Veranstaltung bekannt gegeben.

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

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

Dozent: Philipp Reinhard

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).

Veranstaltungsnummer | 82-021-QM04-H-0507

Abschluss des Studienganges | Bachelor

Semester | Winter

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 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

Lehr-/Lernformen

• Vorlesung
• 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 gesamt

Empfohlene Vorkenntnisse

• Mathematik für Betriebswirte
• Deskriptive Statistik und Wahrscheinlichkeitstheorie

Literatur

• Küsters, Ulrich (2015): Foliensatz Statistik, 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.
  8. 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.

Modulnummer | 82-021-SCM16-H-0507

Abschluss des Studienganges | Bachelor

Semester | Winter

Kurstyp | Vorlesung/Übung

Teilnehmerbeschränkung | 19*

Anrechenbar für | Wahlpflicht

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 erlernen die grundlegenden Standardverfahren der deskriptiven Statistik und der Daten- und Regressionsanalyse.
• Mit Hilfe einer Softwareumgebung wie R erwerben die Studierenden die Fähigkeit, die gelernten Methoden auf empirische Daten anzuwenden.
• Sie entwickeln die Handlungskompetenz, das erlernte Wissen auf generelle betriebswirtschaftliche und volkswirtschaftliche Fragestellungen zielorientiert anzuwenden.

Modulinhalt

• Einführung und Übersicht
• Einführung in eine statistische Software-Umgebung wie R
  • Grundlagen im Umgang mit einer Programmier- bzw. Skriptsprache
  • Datenaufbereitung, Grafiken und Modellschätzungen
• Univariate Statistik
• Lineare Modelle, insbesondere
  • Regressionsanalyse einschl. Residuen- und Multikollinearitätsdiagnostik
  • Varianz- und Kovarianzanalyse
• Regressionsmodelle für binäre, ordinale und nominalskalierte Daten (einschl. log-linearer Modelle)
• Nichtlineare Regressionsmodelle
• Weitere statistische Verfahren zur Datenanalyse wie beispielsweise
  • Clusteranalyse
  • Diskriminanzanalyse
  • Faktorenanalyse

Lehr-/Lernformen

• Vorlesung
• Übung
• Selbständiges Literaturstudium in erheblichem Umfang
• Hausaufgaben
• Schriftliche Hausarbeit

Prüfungsmodalitäten

• Klausur                                                                                                                                (50 – 100 %)
• und/oder Hausaufgaben                                                                                                       (0 – 50 %)
• und/oder schriftliche Hausarbeit                                                                                          (0 – 50 %)

Die konkret geltenden Prüfungsmodalitäten werden zum jeweiligen Semesterbeginn verbindlich festgelegt.

Erläuterung der Prüfungsmodalitäten

Aufgrund der Kompetenzorientierung des Moduls ist die Kombination von einer schriftlichen Prüfung mit einer schriftlichen Hausarbeit bzw. mit Programmierhausaufgaben zwingend notwendig.

• Klausur: Abprüfen der theoretischen Aspekte der vermittelten statistischen Inhalte.
• Hausaufgaben: Abprüfen der praktischen Umsetzung der vermittelten Inhalte mittels einer Programmiersprache wie R.
• Schriftliche Hausarbeit: Abprüfen, ob eine Fragestellung auch in Rahmen einer umfassenderen schriftlichen Arbeit adressiert werden kann als dies im Rahmen der anderen genannten Prüfungsformen möglich wäre.

Arbeitsaufwand (in Stunden)

  28 h = Präsenzzeit Vorlesung

  28 h = Vor- und Nachbereitung Vorlesung

  28 h = Präsenzzeit Übung

  28 h = Vor- und Nachbereitung Übung

  19 h = Hausaufgaben/ Hausarbeit

  19 h = Prüfungsvorbereitung

150 h = Arbeitsaufwand gesamt

Empfohlene Vorkenntnisse/Voraussetzung laut Prüfungsordnung

• Mathematik für Wirtschaftswissenschaftler
• Deskriptive Statistik und Wahrscheinlichkeitstheorie
• Induktive und Multivariate Statistik
• Rechnergestützte Statistik mit R

Literatur

• Venables, W. N., Ripley, B. D. (2002): Modern Applied Statistics with S. 4te Auflage, Springer.
• Venables, W. N., Ripley, B. D. (2000): S-Programming. Springer.
• Ligges, U. (2008): Programmieren mit R. 3te Auflage, Springer.
• Matloff, N. (2011): The Art of R Programming, No Starch Press.
• Wright, D.B.; London, K. (2009): Modern Regression Techniques Using R, Sage.
• Chatterjee, S., Price, B. (1995): Praxis der Regressionsanalyse. Oldenbourg Verlag.
• Küsters, U., Kalinowski C. (2001): Traditionelle Verfahren der multivariaten Statistik, in: Hippner H., Küsters, U., Meyer, M. und Wilde, K.W. (eds.): Handbuch Data Mining im Marketing: Knowledge Discovery in Marketing Databases. Braunschweig/Wiesbaden, S. 131 – 192.

*Beschränkung aufgrund bestehender Kapazitäten in den PC Pools.

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

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

Dozent: Philipp Reinhard

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).

Veranstaltungsnummer | 88-021-OM01-H-0408

Abschluss des Studienganges | Master

Semester | Sommer

Kurstyp | Vorlesung und Übung

Teilnehmerbeschränkung | 19*

Anrechenbar für | Wahlpflicht (Business Analytics & OR, FACT, MARKT, Master flex. Soziologie-Schwerpunkt „Methoden der empirischen Sozialforschung“, Interdisziplinärer Masterstudiengang Mathematik mit der Erweiterung Wirtschaftsmathematik), Pflicht (Lehramtsgeeigneter Masterstudiengang Mathematik - Wirtschaftswissenschaften,

Lehramt mit der Fächerkombination Mathe-Wirtschaft)

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 besitzen die methodische Kompetenz und Theoriebasis und können damit wichtige praxis­rele­vante statistische Verfahren der Zeitreihenanalyse benennen und erklären.
• Die Studierenden können ausgewählte Verfahren mit Hilfe einer statistischen Softwareumgebung wie R anwenden, berechnen und deren Ergebnisse interpretieren.
• Anhand der wichtigen konzeptionellen und theoretischen Erweiterungen der Methoden der Zeitreihenanalyse, die beispielsweise in der Kapitalmarkttheorie und zur Schätzung von Marktreaktionsfunktionen im Marketing benötigt werden, eignen sich die Studierenden die Kompetenzen an, problemorientiert und kontextbezogen zu entscheiden.

Kursinhalt

• ARIMA(p,d,q)-Modelle im Detail (Box-Jenkins-Modelle)
  • Modelle
  • Schätzung
  • Unit-Root-Tests (Bestimmung der Integrationsordnung d)
  • Modellidentifikation (Bestimmung der Ordnungsparameter p und q)
  • Modellevaluation und Residuendiagnostik
  • Prognoseformeln und Konfidenzintervalle

• Überblick über saisonale ARIMA-Modelle
• Überblick über ARIMA-basierte Regressionsmodelle
  •  Interventionsmodelle
  • Transferfunktionen
  • Ausreißerdiagnostik 
• Überblick über ARCH- und GARCH-Modelle

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
  • Deskriptive Statistik und Wahrscheinlichkeitstheorie
  • Induktive und Multivariate Statistik
  • Angewandte statistische Methoden
  • Statistische Prognoseverfahren

Literatur

• • Küsters, U. (2015): Zeitreihenanalyse: Box-Jenkins-Modelle. KUE.
  • Cryer, J.D. und Chan, K.-S. (2008): Time Series Analysis: With Applications in R. Springer.
  • Wei, W.W.S. (2006): Time Series Analysis: Univariate and Multivariate Methods. 2. Auflage. Addison-Wesley.
  • Diebold, F.X. (2007): Elements of Forecasting. 4. Auflage. Thomson-South Western.

*Beschränkung aufgrund bestehender Kapazitäten in den PC Pools.

Das Seminar Statistik kann im Sommersemester oder Wintersemester stattfinden.

Modulnummer | 88-021-OM07-H-0408

Abschluss des Studiengang | Master

Semester | Winter oder Sommer

Kurstyp | Seminar

Teilnehmerbeschränkung | Keine

Anrechenbar für | Wahlpflicht (Business Analytics & OR, MARKT, Master flex. Soziologie-Schwerpunkt „Methoden der empirischen Sozialforschung, interdisziplinärer Masterstudiengang Mathematik mit der Erweiterung Wirtschaftsmathematik)

Unterrichtsstunden | 2 SWS

Leistungspunkte | 5 ECTS

Sprache | Deutsch

Verantwortlicher Lehrstuhl | Statistik und Quantitative Methoden

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

Lernziele/Kompetenzen

• • Die Studierenden lernen in diesem Kurs typischerweise, wie sie einen praktischen Fall mit Hilfe statis­tischer und/oder datenanalytischen Methoden der Statistik lösen können. Der Schwerpunkt liegt dabei auf methodischen Fragestellungen.
  • Im Rahmen der Erstellung einer Seminararbeit können die Studierenden Literatur zusammentragen, selektieren sowie kritisch bewerten. Auch sind die Studierenden in der Lage unter Beachtung der Standards des wissenschaftlichen Arbeitens eine Seminararbeit zu konzipieren und zu erstellen.
  • Bei der Bearbeitung der Seminarthemen in kleinen Gruppen erweitern die Teilnehmer ihre Sozial­kom­petenzen und ihre Teamfähigkeit. Des Weiteren entwickeln die Studierenden Kommunikations- und Kritikfähigkeit durch Präsentation, Ver­teidigung und anschließende Diskussion der Seminararbeit.

Modulinhalt

• • Erstellung einer Seminararbeit oder einer Fallstudie anhand einer datenanalytischen Problemstellung (andere Themenfelder sind nach Absprache mit dem Lehrstuhl möglich).
  • Als Seminarthema kann entweder ein vom Lehrstuhl vorgegebener Fall oder ein vom Lehrstuhl genehmigtes Analyseproblem eigener Wahl (mit möglicherweise selbstständig gesammelten Daten) bearbeitet werden.
  • Fallstudien können alleine oder in Zweier-Gruppen erstellt werden.

Lehr-/Lernformen

• • Seminar

Prüfungsmodalitäten

• • Erstellung einer Seminararbeit                                                                                        (60%)
  • Präsentation der Seminararbeit (Problemstellung und Ergebnisse)                              (20%)
  • Erstellung eines Posters                                                                                                   (20%)

Erläuterung der Prüfungsmodalitäten

Aufgrund der Kompetenzorientierung des Kurses stellt die Proseminararbeit mit der anschließenden Verteidigung durch eine Präsentation eine zwingend notwendige Prüfungsmodalität dar.

• Seminararbeit: Anhand der schriftlichen Arbeit wird abgeprüft, ob der Student in der Lage ist, eine gegebene Fragestellung in einer wissenschaftlichen Art und Weise zu bearbeiten.
• Präsentation: In der Präsentation wird geprüft, inwiefern der Student in der Lage ist, die im Rahmen der Seminararbeit behandelten Aspekte und die daraus gewonnenen Erkenntnisse in einem vorgegebenen zeitlichen Rahmen verständlich darzulegen und zu verteidigen.
• Poster: Erstellung eines Posters. Anhand des Posters wird ermittelt, ob ein Student in der Lage ist, die wesentlichen Ergebnisse der Seminararbeit angemessen darzustellen.

Arbeitsaufwand (in Stunden)

 28  h = Präsenzzeit Seminar

 22  h = Vor- und Nachbereitung Seminar

100 h = Seminararbeit und Präsentation

150 h = Arbeitsaufwand insgesamt

Empfohlene Vorkenntnisse

• • Mathematik für Betriebswirte
  • Deskriptive Statistik und Wahrscheinlichkeitstheorie
  • Induktive und Multivariate Statistik
  • Statistische Prognoseverfahren

Literatur

• • Wird in der Kick-off Veranstaltung bekannt gegeben.

Modulnummer | XXX

Abschluss des Studienganges | Master

Semester | Sommer

Kurstyp | Vorlesung und Lektüre

Teilnehmerbeschränkung | 19*

Anrechenbar für | Wahlpflicht (Business Analytics & OR)

Unterrichtsstunden | 2 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

• Studierende können gelesene Buchkapitel und Zeitschriftenaufsätze zusammenfassen, interpretieren und daraus selbstständig Implikationen ableiten.
• Studierende entwickeln die kognitiven Fähigkeiten, sich selbstständig neues Wissen und neue Arbeitsmethoden im Bereich der Theorie und der Anwendung der praxisrelevanten Methoden des maschinellen Lernens anzueignen, zielorientiert auf Ergebnisse hinzuarbeiten und diese fundiert zu diskutieren. Dabei hinterfragen sie Gelesenes kritisch und sind in der Lage, dieses mit ihrem Vorwissen zu verbinden und neue Lösungen und Anwendungen zu konzipieren.

Modulinhalt

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

Lehr-/Lernformen

• • Verbindliche Lektüre
  • Aktive Diskussion der verschiedenen Themen in der Vorlesung.
  • 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 Kurs

  72 h = Lektüre

  50 h = Prüfungsvorbereitung

150 h = Arbeitsaufwand gesamt

Empfohlene Vorkenntnisse

• • Mathematik für Wirtschaftswissenschaftler
  • Deskriptive Statistik und Wahrscheinlichkeitstheorie
  • Induktive und Multivariate Statistik
  • Empfehlenswert sind Grundkenntnisse in einer statistischen Programmiersoftware wie 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.

Modulnummer | 88-021-QM05-H

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.

Veranstaltungsnummer | 88-021-MG04-H-0408

Abschluss des Studiengang | Master

Semester | Winter

Kurstyp | Vorlesung und Übung

Teilnehmerbeschränkung | keine

Anrechenbar für | Pflicht (Business Analytics & OR, Lehramtsgeeigneter Masterstudiengang Mathematik - Wirtschaftswissenschaften, Lehramt mit der Fächerkombination Mathematik/Wirtschaft), Wahlpflicht (FACT, MARKT, Master flex. Soziologie-Schwerpunkt „Methoden der empirischen Sozialforschung“, interdisziplinärer Masterstudiengang Mathematik mit der Erweiterung Wirtschaftsmathematik)

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 verstehen die wichtigsten Prognoseverfahren und Prognosesoftware, wie sie in der Betriebs­wirtschaftslehre vor allem im Marketing, in der Logistik und in der Produktion zum Einsatz kommen.
• In der Übung wenden die Studierenden die grundlegenden Prognoseverfahren anhand praktischer Fälle aus der Absatzprognostik und Lagerhaltung an. Dabei wird der Umgang mit der Statistik-Software-Umgebung R erlernt und das erlangte Wissen auf die praktischen Fälle übertragen.
• Durch den Kurs erwerben die Studierenden die Kompetenz, die gängigen Prognosemodelle zu verstehen und kontextabhängig anzuwenden.
• Außerdem entwickeln die Studierenden die Fähigkeit, die erstellten Prognosen kritisch zu hinter­fragen.

Kursinhalt

• Vorlesung

• Übersicht
• Prognoseevaluation
• Elementare Prognosemethoden
• Exponentielle Glättungsverfahren
• Grundzüge von ARIMA-Modellen
• Dynamische Regressionsmodelle
• Miszellen (u.a. Prognose sporadische Absätze)

• Übung

• Einführung in die Statistik-Software-Umgebung
• Fallstudie naive Prognoseverfahren
• Fallstudie exponentielle Glättung
• Fallstudie Box-Jenkins-Modelle
• Fallstudie dynamische Regressionsmodelle
• Fallstudie Prognose sporadischer Absätze

Lehr-/Lernformen

• Vorlesung
• 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 gesamt

Empfohlene Vorkenntnisse

• Mathematik für Wirtschaftswissenschaften
• Deskriptive Statistik und Wahrscheinlichkeitstheorie
• Induktive und multivariate Statistik

Literatur

• Küsters, U. (2015): Statistische Prognoseverfahren für Betriebswirte (Foliensatz). KUE/WFI.
• Ligges, U. (2008): Programmieren mit R. 3. Auflage, Springer.
• Makridakis S., Wheelwright, S. C. und Hyndman, R. J. (1998): Forecasting, Methods and Applications. 3te Auflage. Wiley.
• Hyndmann R.J., Athanasopoulos G. (2014): Forecasting, Principles and Practice, otexts
• Mertens, P. und Rässler, S. (Hrsg. 2012): Prognoserechnung. Siebte, wesentlich überarbeitete und erweiterte Auflage. Physica-Verlag, Heidelberg.

Modulnummer | XXX

Abschluss des Studienganges | Master

Semester | Winter

Kurstyp | Vorlesung und Übung

Teilnehmerbeschränkung | 19*

Anrechenbar für | Wahlpflicht (Business Analytics & OR)

Unterrichtsstunden | 4 SWS

Leistungspunkte | 5 ECTS

Sprache | Deutsch

Verantwortlicher Lehrstuhl | Statistik und Quantitative Methoden

Referent | Prof. Dr. Ulrich Küsters und Mitarbeiter

Lernziele/Kompetenzen

• • Die Studierenden verstehen die konzeptionellen, methodischen und EDV-technischen Grundlagen von Data Science und übertragen diese Kenntnisse zur Aufbereitung und Analyse von Datensätzen mit Hilfe interaktiver statistischen Softwareumgebungen wie R und Entwicklungsumgebungen wie RStudio.
  • Durch die Anwendung ausgewählter Data Science Verfahren erweitern die Studierenden ihre Methodenkompetenz.
  • Auf der Grundlage von Beispieldatensätzen analysieren, bewerten und lösen die Studierenden betriebswirtschaftliche Probleme mit Hilfe adäquater Werkzeuge und Methoden des Data Science.
  • Studierende verstehen, wie man grundlegende Abfragen in den relationalen Datenbanksystemen wie mySQL mit Hilfe elementarer SQL-Befehle als auch mit Hilfe der SQL-Schnittstellen zu einem statistischen System bearbeiten kann.
  • Im Kurs werden neben einem Skript auch ergänzend diverse Lehrbücher, Aufsätze, Softwarehandbücher und ausgearbeitete Beispiele verwendet. Daher erlernen die Studierenden, wie man die für eine Analyse erforderlichen Materialen zusammenträgt, erfasst, selektiv verwendet und zur Erstellung von praktischen Lösungen verwendet.

Kursinhalt

• Übersicht
  • Fragestellungen und Werkzeuge des Data Science
  • Vorgehensmodell (Workflow Model)
  • Beschreibung ausgewählter kleiner und mittelgroßer Datensätze zur Werkzeug- und Methodenillustration
  • Grundzüge der statistischen Softwareumgebung, der Entwicklungsumgebung und des relationalen Datenbanksystems
• Datenvisualisierung
  • Grundlegende Graphikelemente
  • Grammatik von Graphiken
    • Aesthetics
    • Skalen
    • Facetten
    • Schichten
    • Themen
  • Statistische Basisgraphiken
    • Univariate Graphiken
    • Bivariate Graphiken
    • Multivariate Graphiken
    • Karten
• Datenaufbereitung
  • Datenstrukturen
  • Daten importieren
  • Daten selektieren, filtern und ordnen
  • Daten aufräumen und strukturieren
  • Daten kombinieren
  • Funktionale Programmierung zur Automation und Iteration
• Datenbanken und SQL
  • Interfaces
  • Datensätze in SQL abspeichern
  • Daten in SQL aufbereiten
• Ausgewählte Methoden des statistischen Lernens
  • Grundlegende statistische Werkzeuge
    • Stichproben
    • Zufallszahlen
    • Bootstrap
  • Evaluationsverfahren
    • Kreuzvalidierung
    • Konfusionstabellen
    • Evaluationsmaße
    • Receiver Operator Characteristics (ROC)
  • Verfahren des überwachten Lernens
    • KNN
    • Klassifikationsbäume
  • Verfahren des nicht überwachten Lernens
    • Hierarchisches Clustern
    • K-Means
  • Dimensionsreduktion mit PCA und SVD
• Ausblick auf weitere Verfahren

Lehr-/Lernformen

• • Verbindliche Lektüre
  • Vorlesung
  • Übung
  • Teilnehmer sollten nach Möglichkeit einen aufgeladenen Laptop, auf dem R und RStudio lauffähig sind, mit in die Vorlesungen und Übungen mitnehmen.

Prüfungsmodalitäten

• • Klausur                                                                                                                                (100 %)

Erläuterung der Prüfungsmodalitäten

• Prüfung am Ende des Semesters

Arbeitsaufwand (in Stunden)

42 h   = Vor- und Nachbereitung der Vorlesung (genaue Lektüre der angegebenen Literatur)

42 h   = Präsenzzeit Vorlesung

14 h   = Präsenzzeit Übung

28 h   = Nachbereitung der Übung

24 h   = Prüfungsvorbereitung

150 h = Arbeitsaufwand insgesamt

Empfohlene Vorkenntnisse

• • Mathematik für Wirtschaftswissenschaftler
  • Deskriptive Statistik und Wahrscheinlichkeitstheorie
  • Induktive und Multivariate Statistik
  • Programmierkenntnisse (möglichst in R oder in einer matrizen- und/oder objektorientierten Sprache)

Literatur

Primärliteratur

• Baumer, B.S, Kaplan, D.T. und Horton, N.J. (2017): Modern Data Science with R. CRC Press.

Sekundärliteratur

• Wickham, H. und Grolemund, G. (2016): R for Data Science - Import, tidy, transform, visualize, and model data. O’Reilly
• Wickham, H. und Grolemund, G. (2018): R für Data Science - Daten importieren, bereinigen, umformen, modellieren und visualisieren. O’Reilly Deutschland.  [deutsche Übersetzung von Wickham, H. und Grolemund, G. (2016)]

Weitere Literatur und Handbücher werden in der Kick-off Veranstaltung bekannt gegeben.

*Beschränkung aufgrund bestehender Kapazitäten in den PC Pools.

Modulnummer | XXX

Abschluss des Studienganges | Master+Doktoranden

Semester | Winter

Kurstyp | Vorlesung und Lektüre

Teilnehmerbeschränkung | 19*

Anrechenbar für | Wahlpflicht (Business Analytics & OR) + WFI-Doktorandenprogramm

Unterrichtsstunden | 2 SWS

Leistungspunkte | 5 ECTS

Sprache | Deutsch

Verantwortlicher Lehrstuhl | Statistik und Quantitative Methoden

Referent | Prof. Dr. Ulrich Küsters

Lernziele/Kompetenzen

• Studierende erlernen die mathematischen Grundlagen ausgewählter Verfahren des maschinellen und statistischen Lernens.
• Nach erfolgreicher Beendigung des Moduls können Studierende wissenschaftliche Arbeiten des maschinellen und statistischen Lernens selbstständig in die unterschiedlichen methodischen Bereiche des maschinellen und statistischen Lernens einordnen, interpretieren und Implikationen ableiten.
• Studierende entwickeln die Fähigkeiten, sich selbstständig neues Wissen und neue Arbeitsmethoden im Bereich der Theorie des maschinellen und statistischen Lernens anzueignen, zielorientiert auf Ergebnisse hinzuarbeiten und diese fundiert zu diskutieren.

Modulinhalt

• Übersicht über die theoretische Grundlagen Data Science und des statistischen Lernen
• Algorithmen und Inferenz
• Frequentistische und Bayesianische Inferenz
• Maximum Likelihood (ML)
• Verallgemeinerte lineare Modelle (GLM) und Erweiterungen
• Bootstrap und Konfidenzintervalle
• Bäume, Random Forests and Boosting Methoden
• Neuronale Netze
• Miszellen

Lehr-/Lernformen

• • Verbindliche Leseaufträge
  • Aktive Diskussion der verschiedenen Themen in der Vorlesung.

Prüfungsmodalitäten

• • Klausur oder mündliche Prüfung                                                                                       (100 %)

Erläuterung der Prüfungsmodalitäten

• Prüfung am Ende des Semesters

Arbeitsaufwand (in Stunden)

  28 h = Präsenzzeit Kurs

  72 h = Lektüre

  50 h = Prüfungsvorbereitung

150 h = Arbeitsaufwand gesamt

Empfohlene Vorkenntnisse

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

Literatur

Wird in der ersten Einheit der Veranstaltung bekannt gegeben.

Das Seminar Statistik kann im Sommersemester oder Wintersemester stattfinden.

Modulnummer | 88-021-OM07-H-0408

Abschluss des Studiengang | Master

Semester | Winter oder Sommer

Kurstyp | Seminar

Teilnehmerbeschränkung | Keine

Anrechenbar für | Wahlpflicht (Business Analytics & OR, MARKT, Master flex. Soziologie-Schwerpunkt „Methoden der empirischen Sozialforschung, interdisziplinärer Masterstudiengang Mathematik mit der Erweiterung Wirtschaftsmathematik)

Unterrichtsstunden | 2 SWS

Leistungspunkte | 5 ECTS

Sprache | Deutsch

Verantwortlicher Lehrstuhl | Statistik und Quantitative Methoden

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

Lernziele/Kompetenzen

• • Die Studierenden lernen in diesem Kurs typischerweise, wie sie einen praktischen Fall mit Hilfe statis­tischer und/oder datenanalytischen Methoden der Statistik lösen können. Der Schwerpunkt liegt dabei auf methodischen Fragestellungen.
  • Im Rahmen der Erstellung einer Seminararbeit können die Studierenden Literatur zusammentragen, selektieren sowie kritisch bewerten. Auch sind die Studierenden in der Lage unter Beachtung der Standards des wissenschaftlichen Arbeitens eine Seminararbeit zu konzipieren und zu erstellen.
  • Bei der Bearbeitung der Seminarthemen in kleinen Gruppen erweitern die Teilnehmer ihre Sozial­kom­petenzen und ihre Teamfähigkeit. Des Weiteren entwickeln die Studierenden Kommunikations- und Kritikfähigkeit durch Präsentation, Ver­teidigung und anschließende Diskussion der Seminararbeit.

Modulinhalt

• • Erstellung einer Seminararbeit oder einer Fallstudie anhand einer datenanalytischen Problemstellung (andere Themenfelder sind nach Absprache mit dem Lehrstuhl möglich).
  • Als Seminarthema kann entweder ein vom Lehrstuhl vorgegebener Fall oder ein vom Lehrstuhl genehmigtes Analyseproblem eigener Wahl (mit möglicherweise selbstständig gesammelten Daten) bearbeitet werden.
  • Fallstudien können alleine oder in Zweier-Gruppen erstellt werden.

Lehr-/Lernformen

• • Seminar

Prüfungsmodalitäten

• • Erstellung einer Seminararbeit                                                                                        (60%)
  • Präsentation der Seminararbeit (Problemstellung und Ergebnisse)                              (20%)
  • Erstellung eines Posters                                                                                                   (20%)

Erläuterung der Prüfungsmodalitäten

Aufgrund der Kompetenzorientierung des Kurses stellt die Proseminararbeit mit der anschließenden Verteidigung durch eine Präsentation eine zwingend notwendige Prüfungsmodalität dar.

• Seminararbeit: Anhand der schriftlichen Arbeit wird abgeprüft, ob der Student in der Lage ist, eine gegebene Fragestellung in einer wissenschaftlichen Art und Weise zu bearbeiten.
• Präsentation: In der Präsentation wird geprüft, inwiefern der Student in der Lage ist, die im Rahmen der Seminararbeit behandelten Aspekte und die daraus gewonnenen Erkenntnisse in einem vorgegebenen zeitlichen Rahmen verständlich darzulegen und zu verteidigen.
• Poster: Erstellung eines Posters. Anhand des Posters wird ermittelt, ob ein Student in der Lage ist, die wesentlichen Ergebnisse der Seminararbeit angemessen darzustellen.

Arbeitsaufwand (in Stunden)

 28  h = Präsenzzeit Seminar

 22  h = Vor- und Nachbereitung Seminar

100 h = Seminararbeit und Präsentation

150 h = Arbeitsaufwand insgesamt

Empfohlene Vorkenntnisse

• • Mathematik für Betriebswirte
  • Deskriptive Statistik und Wahrscheinlichkeitstheorie
  • Induktive und Multivariate Statistik
  • Statistische Prognoseverfahren

Literatur

• • Wird in der Kick-off Veranstaltung bekannt gegeben.