There is no course in Statistical Inference this Winter Semester. However there is an exam in February 2027. Join this course for further information.
Registration key: Inference
- Enseignant: Volker Schmid
Enrollment key: ADL
- Enseignant: David Rügamer
- Enseignant: Sarah Deubner
- Enseignant: Manuel Hülskamp
- Enseignant: Julius Kobialka
- Enseignant: Chris Kolb
- Enseignant: David Otte
- Enseignant: David Rügamer
- Enseignant: Rickmer Schulte
The enrolment key / password for the course is: StatProgWS2627.
If you have questions please contact statprog@stat.uni-muenchen.de.
The course will be taught in English, more information can be found in the course itself.
- Enseignant: Anna Fuchs
- Enseignant: Cynthia Huang
- Enseignant: Leonhard Kestel
- Enseignant: Helen Alber
- Enseignant: Laura Braun
- Enseignant: Leonhard Kestel
- Enseignant: Fabian Scheipl
- Enseignant: Andreas Dimmelmeier
- Enseignant: Malte Schierholz
- Enseignant: Anna Steinberg Schulten
- Enseignant: Anna-Carolina Haensch
- Enseignant: Bolei Ma
Die interdisziplinäre Ringvorlesung „AI in Science and Society" (KI in Wissenschaft und Gesellschaft), in der die gesellschaftliche Relevanz von KI und der Stellenwert von KI in unterschiedlichen Wissenschaftsbereichen beleuchtet werden sollen, ist ein Baustein des neuen Nebenfachangebots "AI as a major Minor."
The interdisciplinary lecture series "AI in Science and Society" (KI in Wissenschaft und Gesellschaft), in which the social relevance of AI and the importance of AI in different scientific fields are to be examined, is one component of the new Minor "AI as a major Minor."
Enrolment key: AISSWS627
Einschreibeschlüssel: WiSo2627
- Enseignant: Christoph Kern
Enrollment Key
CSSws2627
- Enseignant: Sarah Ball
- Enseignant: Christoph Kern
[All Masters and advanced Bachelor students welcome!] Join us for the Student Day at the Bavarian State Office for Statistics in Fürth on Friday, 13 November 2026, and see first-hand how official statistics are produced. You will hear from LfStat staff about their work, meet students from the University of Bamberg, and learn about internship and master's thesis opportunities. We travel together from Munich Hauptbahnhof.
Key: emosday2026
- Enseignant: Anna-Carolina Haensch
- Enseignant: Göran Kauermann
Termine: Donnerstag 18:00 - 20:00 Uhr, Geschw.-Scholl-Pl. 1 (M) / M 014
Der genaue Termin für die erste Vorlesung wird noch bekannt gegeben.
Overview: This course will discuss essential research techniques in statistics and data science, also preparing students for successfully participating in seminars and writing a thesis. The material presented focuses mainly on classical research techniques and a first understanding of research as a social system.
The course is part of the Bachelor’s programmes in Statistics and Data Science (150 major or 60 ECTS minors: `Methoden und Techniken des wissenschaftlichen Arbeitens’, P16.1, and WP 12.1 / WP 13.1, respectively). Bachelor's students from the "old POs" and Master’s students are most welcome as well. A certificate can be issued for active personal attendance.
Enrollment key: ResTech_ws_26_27
- Enseignant: Georg Schollmeyer
Ausgehend von der linearen Modellierung werden komplexe und flexible Regressionsmodelle (generalisierte lineare Modelle und generalisierte additive Modelle) behandelt. Weiter wird ein Überblick über wichtige multivariate Analysetechniken, wie Klassifikation, Diskriminanzanalyse und Clusteranalyse und Modelle für latente Variablen, gegeben.
Termine und Personen:
| Termin | Ort | |
|---|---|---|
| Vorlesung | Mo, 12.00-14.00 | Geschw.-Scholl-Pl. 1 (B) - B106 |
| Tutorium | Di, 10.00 - 12.00 | Geschw.-Scholl-Pl. 1 (A) - A125 |
| Übung | Mi, 10.00 - 12.00 | Schellingstr. 3 (S) - S 006 |
| Vorlesung | Do, 12.00 - 14.00 | Geschw.-Scholl-Pl. 1 (D) - D209 |
| Übung | Fr, 10.00 - 12.00 | Geschw.-Scholl-Pl. 1 (E) - E004 |
Vorlesung: Fabian Scheipl und Sabine Hoffmann
Übung: Nele Jürgensen und Robin Schüttpelz
Tutorium: Philip Pervan
- Enseignant: Sabine Hoffmann
- Enseignant: Nele Jürgensen
- Enseignant: Philip Pervan
- Enseignant: Fabian Scheipl
- Enseignant: Robin Schüttpelz
Einschreibeschlüssel: w2627statI
- Enseignant: Stephanie Ames
- Enseignant: Anna-Carolina Haensch
- Enseignant: Tobias Holtdirk
- Enseignant: Bolei Ma
- Enseignant: Clara Strasser Ceballos
Der Einschreibeschlüssel lautet: MatheINF WS25_26
- Enseignant: Georg Schollmeyer
| Termine | Ort | Person | |
|---|---|---|---|
| Vorlesung | Mo, 14.00 - 16.00 | S 001 (Schelling 3) | Fabian Scheipl |
| Vorlesung | Do, 14.00 - 16.00 | A 240 (Hgb) | Fabian Scheipl |
| Übung 1 | Mo, 12.00 - 14.00 | S 002 (Schelling 3) | Daniel Schlichting |
| Übung 2 | Mi, 10.00 - 12.00 | M 010 (Hgb) | Daniel Schlichting |
| Tutorium | Di, 18.00 - 20.00 | S 001 (Schelling 3) | Michael Kobl |
Die Übungen beginnen schon in der ersten Woche.
Einschreibeschlüssel: dskrpt
- Enseignant: Michael Kobl
- Enseignant: Fabian Scheipl
- Enseignant: Daniel Schlichting
Enrollment Key: DPC26
- Enseignant: Jörg Drechsler
Teacher: Walter J. Radermacher
In-Person Workshops: February 16, February 17, February 18, 10am-5pm each
Format: 1. Self-learning through online videos & readings, 2. in-person workshops for practical appliance of use cases.
Registration period:
Examination:
- Oral Exam (6 ECTS credits), 15 minutes slot per student on March 4th + March 5th 2027, 9am – 5pm
- Catching-Up Exam (Nachholtermin): March 16, 2027, 9am – 5pm
Language: English
Who is this course for?
The module is compulsory for the EMOS specialisation; all other students can choose it as a general elective module.
MsC Statistics and Data Science (2021, WP 28+29+40+46), BsC Statistics and Data Science (2021, WP 8+11), Statistik und Data Science als Nebenfach für Bachelor 30 ECTS (2021, WP 4+5), Statistik und Data Science als Nebenfach für Bachelor 60 ECTS (2021, WP 11+12), Statistik und Data Science als Nebenfach 30 ECTS Mathematik (2021, WP 5+6), Statistik Nebenfach 60 ECTS Bachelor Soziologie (2021, WP 10+11), WISO Mater (2010, "Ausgewählte Gebiete..." )
Self-Enrolment Key: StatsPublicGood#2627
- Enseignant: Markus Herklotz
- Enseignant: Walter Radermacher
- Enseignant: Coco Bögel
- Enseignant: Giuseppe Casalicchio
Enrollment Key: coordinate_de$cent
- Enseignant: Bernd Bischl
- Enseignant: David Rundel
Causality is central to much of empirical work in economics. After formally defining the concept of causality through potential outcomes and identification of causal effects, the course introduces several research designs in which identification of causal effects can be established. The course shows the formal identification arguments, discusses empirical examples, and practical aspects of implementation. Examples of research designs covered are matching, instrumental variables, differences-in-differences, and regression discontinuity designs.
Registration key: ci2627
- Enseignant: Hong-Yu Lai
- Enseignant: Daniel Wilhelm
Die Veranstaltung "Programmieren mit Statistischer Software (R)" wendet sich an Studenten im Bachelor Statistik und Data Science (3. Semester). Sie baut auf die Veranstaltung "Einführung in die Statistische Software" (1. Semester) auf.
Einführungsveranstaltungen
Bitte kommt auf jeden Fall zur ersten Veranstaltung am Montag(!) 2026-10-12, wo der Ablauf des Kurses erklärt wird!
-
Zeit: Montag 2026-10-12, 10-12 c.t.
Ort: Schellingstr. 3 (S), Raum S 002 -
Zeit: Mittwoch 2026-10-14, 16-18 c.t.
Ort: Schellingstr. 3 (S), Raum S 002
Tutorials
Termine: Montags und Mittwochs, 2026-10-19 -- 2026-12-16; 2027-01-11 -- 2027-02-03.
| Zeitslot |
Ort | Person |
|---|---|---|
| Montag 10--12 | TBD | Zizheng Zhang |
| Mittwoch 16--18 | TBD | Martin Binder |
- Enseignant: Martin Binder
- Enseignant: Zizheng Zhang
Schedule:
- Lecture/Exercise: Tuesday, 16-18 c.t., Geschw.-Scholl-Pl. 1 (E) - E 006 (starting Tuesday, 13 October)
- Lecture/Exercise: Wednesday, 10-12 c.t., Geschw.-Scholl-Pl. 1 (A) - A 016 (starting Wednesday, 14 October)
Enrollment key:
survive2026
- Enseignant: Andreas Bender
- Enseignant: Gilbert Kiprotich
9 ECTS, 4 SWS Vorlesung, 2 SWS Übung
Primäre Zielgruppe: 3. Semester Bachelor Statistik und Data Science (Module P9 und P10 in PO 2021)
Kann auch als Wahlpflichtmodul im Nebenfach Statistik und Data Science belegt werden.
Inhalte: Einführung ins Schätzen und Testen.
| Termin | Ort | Beginn | |
|---|---|---|---|
| Vorlesung | Dienstag, 16:00 s.t.! - 20:00 | Schellingstr. 3 (S) - S 002 | 03.11.26 |
| Übung | Mittwoch, 14:15 - 16:45 | Geschw.-Scholl-Pl. 1 (M) - M 114 | 04.11.26 |
| Tutorium | Donnerstag, 14:15 - 15:45 | Geschw.-Scholl-Pl. 1 (D) - D 209 | 05.11.26 |
Der Einschreibeschlüssel lautet: InfStat1_WS2627
- Enseignant: Jan Anders
- Enseignant: Sergio Buttazzo
- Enseignant: Jakob Haas
- Enseignant: Göran Kauermann
Einführungskurs in das Programmieren mit der statistischen Software R für das erste Semester im Bachelorstudiengang 'Statistik und Data Science' (Bachelor of Science, B.Sc.).
- Leistungsumfang: 6 ECTS
- Art des Moduls: Pflichtmodul mit Pflichtveranstaltungen
- Verwendbarkeit des Moduls in anderen Studiengängen: Keine
- Wahlpflichtregelungen: Keine
- Teilnahmevoraussetzungen: Keine
- Zeitpunkt im Studienverlauf Empfohlenes Semester: 1
- Präsenszeit: 3 SWS
Einschreibeschlüssel: statsoft2627
- Enseignant: Andreas Bender
- Enseignant: Philip Boustani
Einschreibeschlüssel
- Einschreibeschlüssel: statIII_ws2627
- Enseignant: Jan Anders
- Enseignant: Anna-Carolina Haensch
- Enseignant: Sabine Hoffmann
- Enseignant: Lisa Schmierer
- Enseignant: Alexander Zielke Esteban
Termine:
| Termin | Ort | Person | Beginn | |
|---|---|---|---|---|
| Vorlesung | Do, 10-12 | Geschw.-Scholl-Pl. 1 - M 114 | Scheipl | 15.10.26 |
| Übungsgruppe 1 | Di, 14-16 | Geschw.-Scholl-Pl. 1 - M 105 | Gauß | 20.10.26 |
| Übungsgruppe 2 | Mi, 12-14 | Geschw.-Scholl-Pl. 1 - B 106 | Gauß | 21.10.26 |
Einschreibeschlüssel
- Der Einschreibeschlüssel lautet: "fmm2627"
- Enseignant: Jana Gauß
- Enseignant: Fabian Scheipl
Schedule:
Tuesday, 14-16 in M 010
Friday, 12-14 in E 216
Enrolment key:
CIN26
- Enseignant: Vincent Starck
In this course, the fundamental concepts of statistical modelling and corresponding approaches are introduced. Firstly, the wide range of regression models is covered. This comprises generalized linear and additive models, mixed models and duration time/survival models, including different accelerated failure time models and Cox’s proportional hazards model. Furthermore, latent variable models, measurement errors and beyond mean regression are discussed. Strategies for model selection, dependence modelling (copulas), functional data analysis and basic aspects of directed cyclic graphs (DAGs) as well as causal inference complete the lecture and exercise classes.
Lecture
- Thursday, 12:00–14:00 (c.t.), Kaulbachstr. 37, Room 023
- Friday, 12:00–14:00 (c.t.), Geschwister-Scholl-Pl. 1, Room M 118
Lab session
- Monday, 14:00–16:00 (c.t.), Geschwister-Scholl-Pl. 1, Room M 118
Tutorial
- Wednesday, 16:00–18:00 (c.t.), Geschwister-Scholl-Pl. 1, Room D 209
Grading: Written exam
Enrollment Key: StatMod101
- Enseignant: Sarah Deubner
- Enseignant: Markus Göswein
- Enseignant: Manuel Hülskamp
- Enseignant: Julius Kobialka
- Enseignant: Helmut Küchenhoff
- Enseignant: David Rügamer
- Enseignant: Rickmer Schulte
Overview:
This course is part of the Econometrics Track in the Master's Program in Statistics and Data Science. It is also well suited for advanced master's students in Economics and PhD students.
The course covers the foundations of classic nonparametric methods, with emphasis on kernel estimation of density and regression functions. It combines rigorous derivations of the statistical properties of estimators with simulation studies and empirical applications, such as regression discontinuity/kink designs and average treatment effect estimation.
- Thursday, 12:15 - 14:00, Room B 106
- Friday, 8:30 - 10:00, Room B 106
Grading: Written exam
Enrollment key: np
- Enseignant: Tomasz Olma
Exercise: Timo Heiß (timo.heiss@stat.uni-muenchen.de)
Note: We alternate between lecture and exercise sessions each week, with occasional online sessions that include both a lecture and an exercise.
Language: English
Target audience: Master students of Data Science and Statistics, ESG Data Science (others welcome)
Enrolment Key: sl_winter2627
- Enseignant: Ludwig Bothmann
- Enseignant: Timo Heiß
| Date | Place | Person | |
|---|---|---|---|
| Lecture | Thursday, 09:15-11:45 | Geschw.-Scholl-Pl. 1 A 017 | Stolte/Boulesteix/Hoffmann |
| Exercise | Monday, 08:15-09:45 | Geschw.-Scholl-Pl. 1 A 213 | Stolte |
Enrolment key
- The enrolment key is: "PCS2627"
- Enseignant: Anne-Laure Boulesteix
- Enseignant: Sabine Hoffmann
- Enseignant: Marieke Stolte
Termine:
| Termin | Ort | Person | Beginn | |
|---|---|---|---|---|
| Vorlesung | Di, 12:15-13:45 | Geschw.-Scholl-Pl. 1 (A) - A 125 | Stolte/Lemster | 13.10.26 |
| Vorlesung/Übung | Mi, 14:15-15:45 | Geschw.-Scholl-Pl. 1 (M) - M 014 | Stolte/Lemster | 14.10.26 |
Einschreibeschlüssel
- Der Einschreibeschlüssel lautet: "EinfBiom2627"
- Enseignant: Simon Lemster
- Enseignant: Marieke Stolte
Person: Dr. Cornelia Oberhauser
SAS Course as a 10-day block course during the semester break
Dates: 14.9.2026 - 25.9.2026 (mainly in the morning)
Enrolment key
- The enrolment key is: ‘saskurs2026’
Guest key
- The guest key is: ‘saskurs2026’
- Enseignant: Cornelia Oberhauser
Master course
- Master Statistics & Data Science – WP45
- Students from other fields welcome
| Tuesday | 12.15-13.45 | A 016 |
|---|---|---|
| Thursday | 10.15-11.45 | A 014 |
- Enseignant: Stephan Bark
- Enseignant: Volker Schmid
Online-Kurs
Wöchentliche Online-Veranstaltung: Freitag 8:30-10:00 Uhr (Zoom).
Einschreibeschlüssel: Bayes
Belegmöglichkeiten:
- Bachelor Statistik und Data Science: WP7 Ausgewählte Gebiete der statistischen Modellierung
- Nebenfach Statistik und Data Science (60 ECTS): WP6 Einführung in die Bayes-Statistik
- Nebenfach Statistik und Data Science (30 ECTS): WP8 Einführung in die Bayes-Statistik
- Bachelor Informatik mit integriertem Anwendungsfach Statistik: WP40 Einführung in die Bayes-Statistik
- Bachelor Wirtschaftsmathematik: P17 Ausgewählte Gebiete der angewandten Statistik
- Andere Studiengänge auf Anfrage
- Enseignant: Stephan Bark
- Enseignant: Volker Schmid
Schedule
- Lecture:
- Wednesday, 10-12 c.t.
- Location: Oettingenstr. 67, B U101 (Raumfinder)
- Tutorial:
- Friday, 10 - 12 c.t.
- Location: Oettingenstr. 67, B U101 (Raumfinder)
Enrollment key
- Enrollment key: token
- Enseignant: Matthias Aßenmacher
- Enseignant: Lea Hirlimann
- Enseignant: Valentin Hofmann
Die Veranstaltung wendet sich an Studierende im Bachelor Statistik & DataScience (3. Semester). Das "Grundlegende Praxisprojekt" (BA Statistik und Data Science - PO 2021) ist eine Pflichtveranstaltung (Modul P 11.1).
Die Veranstaltung wird sowohl während der Vorlesungszeit (in zwei getrennten Termingruppen) als auch in den Semesterferien angeboten. Diese Moodle-Seite ist gemeinsam für alle Veranstaltungen. Für alle drei Blöcke finden Einführungsveranstaltungen mit Anwesenheitspflicht statt. Aus organisatorischen Gründen ist eine frühzeitige, separate Anmeldung für die Teilnahme während der Vorlesungszeit nötig -- schreiben Sie sich bitte in den Kurs ein und melden Sie sich dann auf der Kursseite für einen der 128 während dem Semester verfügbaren Praktikumsplätze an. Diese Anmeldung ist bis zum 12.10.2026 möglich. Melden Sie sich auch für die Veranstaltung während des Semesters im LSF an.
Die verpflichtende Anmeldung auf der Moodle Seite für die Veranstaltung in der Vorlesungszeit ist bis zum 12.10.2026 möglich. Bitte beachten Sie, dass das Einschreiben in diesen Kurs keine Anmeldung darstellt.
Das Anfängerpraktikum in der vorlesungsfreien Zeit beginnt am 01.03.2026 mit der Projektvergabe (Anwesenheitspflicht). Weitere Infos folgen bald.
Selbsteinschreibungsschlüssel: gp2627
- Enseignant: Anh Dang
- Enseignant: Carlota Gonzalo Saul
- Enseignant: Sabine Hoffmann
- Enseignant: Mona Niethammer
- Enseignant: Philip Pervan
- Enseignant: Nina Scheerer
- Enseignant: Alexander Zielke Esteban
Die Veranstaltung wendet sich an Studierende mit Hauptfach Statistik und Data Science bzw. Statistik. Das Fortgeschrittene Praxisprojekt (PO 2021) bzw. Statistische Praktikum (PO 2010) ist für Studierende im Bachelor-Studiengang Statistik ein Pflichtbestandteil des Studiums. In Gruppen von 4-5 Personen werden Projekte aus der angewandten Statistik bearbeitet. In der Regel besteht ein Projekt aus statistischen Fragestellungen, die sich aus der Zusammenarbeit mit externen Kooperationspartnern ergeben.
Jede Gruppe hält einen Zwischenvortrag bei dem bisherige Ergebnisse diskutiert und Anreize für weitere Analyse-Ansätze gegeben werden. Abgeschlossen wird das Praktikum mit einem längeren Vortrag in Anwesenheit des Projektpartners.
Die Statistik-Kenntnisse aus der Veranstaltung "Einführung in die lineare statistische Modellierung" bzw. "Lineare Modelle" werden für das Praktikum dringend empfohlen. Ohne diese Kenntnisse wird eine Bearbeitung der Projekte nicht möglich sein.
Die Veranstaltung wird sowohl während der Vorlesungszeit als auch in den Semesterferien angeboten. Die fristgerechte Anmeldung auf Moodle bis zum 30.09.2026 ist notwendig und verpflichtend, um eine ausreichende Menge an Projekten vorbereiten zu können. Ohne Anmeldung kann eine Teilnahme nicht garantiert werden. Bei der Anmeldung bitte auf die Angabe der korrekten Prüfungsordnung achten. Bitte beachten Sie, dass das Einschreiben in diesen Kurs keine Anmeldung darstellt.
Einschreibeschlüssel : w2627_statprak
- Enseignant: Laura Bader
- Enseignant: Johannes Piller
The seminar will present and discuss current statistical analyses of climate change-related scientific studies. There will be three focal points: Climate Extreme, Urban Areas & Traffic, and Nutrition & Food Systems
Students are expected to engage intensively with the scientific literature, present the statistical methodology relevant to their chosen topic, and/or replicate results from the literature.
[key: CCStats2627]- Enseignant: Alexander Bauer
- Enseignant: Henri Funk
- Enseignant: Helmut Küchenhoff
Der Kurs zur Einführung in die statistische Datenanalyse wird vom Statistischen Beratungslabor der LMU (StaBLab) angeboten. Ziel der Kurse ist es, den Teilnehmerinnen und Teilnehmern grundlegende statistische Kenntnisse zu vermitteln und sie dazu zu befähigen, diese eigenständig in ihren Projekten anzuwenden. Die Veranstaltungen zeichnen sich durch einen starken Praxisbezug aus und basieren auf den vielfältigen Erfahrungen aus der statistischen Beratung am StaBLab.
Der Kurs teilt sich auf in einen Grundkurs und einen Aufbaukurs. Der Grundkurs vermittelt Grundlagen aus Theorie (Kurzeinführung in die Statistik) und Praxis (Vertiefung der Theorie, Umgang mit der statistischen Software R). Der Aufbaukurs widmet sich schwerpunktmäßig der Regression und der fortgeschrittenen Gestaltung von Graphiken in R sowie der Diskussion praktischer Fragestellungen (gerne auch anhand von Projekten der Kursteilnehmer). PC-Arbeitsplätze können gestellt werden, wünschenswert wäre jedoch eine Bearbeitung der Praxisaufgaben am eigenen Laptop. Es sind für den Grundkurs drei Blöcke und für den Aufbaukurs zwei Blöcke mit je zwei dreistündigen Einheiten geplant.
Zielgruppe:
Studierende, Promovierende und wissenschaftliche Mitarbeiter an der LMU, die sich in ihrer Abschluss- bzw. Forschungsarbeit mit quantitativen Analysen beschäftigen werden und geringe bzw. keine statistischen Kenntnisse haben, oder grundsätzlich Interesse haben, die freie Statistiksoftware R zu erlernen. Insbesondere ist es empfehlenswert, den Grundkurs vorbereitend zu einer Beratung beim StaBLab zu besuchen.
- Enseignant: Johannes Piller
Termine
- Übung Statistik I: Mittwoch, 12 - 14 c.t.
- Übung Statistik II: Donnerstag, 8 - 10 c.t.
Einschreibeschlüssel
- Der Einschreibeschlüssel lautet "stats26".
- Enseignant: Matthias Aßenmacher
- Enseignant: Polina Gordienko
- Enseignant: Antonio Melieni
Termine
- Vorlesung: Donnerstag, 10 - 12 c.t.
- Übungen:
Montag, 10-12 c.t., 14-16 c.t., 16-18 c.t.
Mittwoch, 10-12 c.t., 12-14 c.t., 14-16 c.t., 18-20 c.t.
Einschreibeschlüssel
- Der Einschreibeschlüssel lautet "stats26".
- Enseignant: Matthias Aßenmacher
- Enseignant: Benjamin Dornow
- Enseignant: Carlota Gonzalo Saul
- Enseignant: Maurizio Morelli
- Enseignant: Paulina Stolze
- Enseignant: Helena Veit
- Enseignant: Aaron Voigt