Lehre am Institut für Statistik

In unseren Veranstaltungen lernen Sie statistische Methoden kennen, mit denen Sie selbstständig Daten anaylsieren und geeignete Lösungen erarbeiten können.

 

In den vertiefenden Kursen stellen wir darüber hinaus komplexere statistische Verfahren vor, sodass Sie am Ende Ihres Studiums in der Lage sein sollten, eigene statistische Methoden zu entwickeln und diese selbstständig weiter auszubauen.

 

 

In unseren Veranstaltungen lernen Sie statistische Methoden kennen, mit denen Sie selbstständig Daten anaylsieren und geeignete Lösungen erarbeiten können.

 

In den vertiefenden Kursen stellen wir darüber hinaus komplexere statistische Verfahren vor, sodass Sie am Ende Ihres Studiums in der Lage sein sollten, eigene statistische Methoden zu entwickeln und diese selbstständig weiter auszubauen.

 

 

UNSERE LEHRVERANSTALTUNGEN IM AKTUELLEN SEMESTER

  • Sommersemester 2022

    Bachelor Wirtschaftswissenschaft, PO 2017

    Statistik

    • Schließende Statistik (270158)

      Termine:Lehrpersonen:
      Mi. 09:15 - 10:45 | VII-002 (Gruppe 1)Sibbertsen
      Fr. 09:15 - 10:45 | VII-201 (Gruppe 2)Lehne
      Inhalt:
      • Normalverteilung
      • Binomialverteilung
      • Stichproben
      • Punktschätzung
      • Intervallschätzung
      • Statistische Tests
      • Regressionsanalyse
      Literatur:
      • Sibbertsen, P./Lehne, H. (2014) Statistik, 2. Auflage, Berlin.
      • Fahrmeir, L. et al. (2004) Statistik, 5. Auflage Berlin.
      • Schlittgen, R. (2003) Einführung in die Statistik, 10. Auflage München.
    • Übung zu Schließende Statistik (270159)

      Termine:Lehrpersonen:
      Mi. 07:30 - 09:00 | VII-002 (Gruppe 1)Sibbertsen
      Mo. 09:15 - 10:45 | VII-201 (Gruppe 2)Lehne
    • Tutorium zu Schließende Statistik (270031)

      Termine:Lehrpersonen:
      Mo. 12:45 - 14:15 | I-401 (Gruppe 1)Tutor
      Mo. 12:45 - 14:15 | I-442 (Gruppe 2)Tutor
      Mo. 12:45 - 14:15 | I-332 (Gruppe 3)Tutor
      Mo. 14:30 - 16:00 | I-442 (Gruppe 4)Tutor
      Mo. 14:30 - 16:00 | I-332 (Gruppe 5)Tutor
      Mo. 14:30 - 16:00 | I-063 (Gruppe 6)Tutor
      Di. 09:15 - 10:45 | I-442 (Gruppe 7)Tutor
      Di. 11:00 - 12:30 | III-115 (Gruppe 8)Tutor
      Di. 16:15 - 17:45 | I-063 (Gruppe 9)Tutor
      Mi. 11:00 - 12:30 | I-442 (Gruppe 10)Tutor
      Mi. 14:30 - 16:00 | III-115 (Gruppe 11)Tutor
      Mi. 14:30 - 16:00 | I-063 (Gruppe 12)Tutor
      Mi. 16:15 - 17:45 | I-442 (Gruppe 13)Tutor
      Do. 09:15 - 10:45 | II-013 (Gruppe 14)Tutor
      Do. 09:15 - 10:45 | VII-005 (Gruppe 15)Tutor
      Do. 09:15 - 10:45 | I-332 (Gruppe 16)Tutor
      Do. 11:00 - 12:30 | II-013 (Gruppe 17)Tutor
      Do. 11:00 - 12:30 | III-115 (Gruppe 18)Tutor
      Do. 11:00 - 12:30 | I-063 (Gruppe 19)Tutor
      Do. 14:30 - 16:00 | I-442 (Gruppe 20)Tutor
      Fr. 07:30 - 09:00 | I-063 (Gruppe 21)Tutor
      Fr. 11:00 - 12:30 | I-332 (Gruppe 22)Tutor
      Fr. 11:00 - 12:30 | I-063 (Gruppe 23)Tutor
      Fr. 14:30 - 16:00 | I-063 (Gruppe 24)Tutor
      Bemerkungen:

      Bereitschaft zur aktiven Mitarbeit in den eingeteilten Tutoriumsgruppen wird erwartet.

      Die Gruppeneinteilung findet über Stud.IP am Mi. 13.04.2022 ab 11:30 Uhr statt.

    Kompetenzbereiche Betriebs- und Volkswirtschaftslehre

    • Seminar Ökonometrie (273002)

      Termine:Lehrpersonen:
      Blockveranstaltung (Gruppe 1)Sibbertsen
      (Gruppe 2)Mboya, Meier
      Inhalt:

      Thema des Seminars im Wintersemester 2018/2019 ist "Regressionsanalyse"

      Bemerkungen:

      Das Seminar wird als Blockveranstaltung durchgeführt. Nähere Angaben zur Themenvergabe und zum Zeitpunkt der Veranstaltung werden auf der Internetseite des Instituts für Statistik bekannt gegeben.

      Prüfer: Prof. Dr. Sibbertsen

    Master Wirtschaftswissenschaft, PO 2018

    Area Empirical Economics and Econometrics

    • Statistical Programming (373005)

      Termine:Lehrpersonen:
      Do. 14:30 - 16:00 | II-214Flock
      Inhalt:
      • Data Structures
      • Functions and Loops
      • Handling Data
      • Graphics
      • Linear Regression
      • Numerical Optimization
      • Monte Carlo Methods
      Literatur:
      • Ligges (2007) Programmieren mit R, Berlin, Springer.
      • Braun / Murdock (2007) A first course in statistical programming with R, Cambridge University Press.
      • Rizzo (2008) Statistical Computing with R, Chapman & Hall.
    • Computerintensive Statistics (373015)

      Termine:Lehrpersonen:
      Mo. 09:15 - 10:45 | I-332Mboya
      Inhalt:
      • Metropolis Algorithm
      • Adaptive Metropolis Algorithm
      • Delayed Rejection Adaptive Metropolis
      • Metropolis-Hastings Algorithm
      • Gibbs Sampling
      Literatur:

      Albert, Jim (2007): Bayesian Computation with R, Springer

    • Seminar Applied Econometrics (373016)

      Termine:Lehrpersonen:
      Blockveranstaltung (Gruppe 1)Sibbertsen
      (Gruppe 2)Flock, Less
      Inhalt:

      The seminar will be on "Machine Learning"

      Bemerkungen:

      Further Information about the seminar can be found on the website of the Institute for Statistics.

      Prüfer: Prof. Dr. Sibbertsen

    • Machine Learning (373024)

      Termine:Lehrpersonen:
      Di. 12:45 - 14:15 | I-342Meier
      Inhalt:

      The term machine learning summarises a wide range of statistical methods used for pattern recognition, classification and prediction. Applications encompass the recognition of text, speech and images, spam and fraud detection, recommendation systems for customers, as well as generating information from large quantities of data or predicting stock prices.

      This lecture covers a selection of common supervised to unsupervised learning algorithms. These refer to clustering and regression problems, and clustering and dimensionality reduction methods respectively. Examples of covered statistical methods include:

      • Linear and logistic regression
      • K-nearest neighbours
      • Naïve Bayes
      • Model selection and cross validation
      • Tree-based methods
      • Support vector machines
      • Principal component analysis
      • Neural networks

      The lecture includes applications in R. Previous experience with R is helpful, but not required.

      Literatur:
      • Friedman, J., Hastie, T., & Tibshirani, R. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol. 2). Springer, Berlin: Springer Series in Statistics.
      • James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R (Vol. 112). New York: Springer.
      • Bishop, C. (2006): Pattern Recognition and Machine Learning, Springer, New York: Information Science and Statistics
      • Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.
      • Wasserman, L. (2013). All of Statistics: A Concise Course in Statistical Inference. Springer Science & Business Media.

    Mehrere Areas

    • Time Series Analysis (379016)

      Termine:Lehrpersonen:
      Mi. 12:45 - 14:15 | I-342Sibbertsen
      Inhalt:
      • Stationarity
      • Autoregressive und Moving Average Models
      • Non-Stationarity
      • Forecasting
      • Spectral Analysis
      • Long Memory Time Series.
      Literatur:
      • Hamilton, J. D. (1994): Time Series Analysis, Princeton.
      • Schlittgen, R., Stritberg, H. J. (2003): Zeitreihenanalyse, Oldenbourg.

    Forschungsveranstaltungen

    • Finance Research Seminar (77782)

      Termine:Lehrpersonen:
      Mi. 11:00 - 12:30 | I-063Dierkes, Dräger, Prokopczuk, Schneider, Sibbertsen
      Inhalt:

      External guests present their latest research

Alle Lehrveranstaltungen des Instituts

WEITERE INFORMATIONEN UND HINWEISE ZUM STUDIUM